ChampKit:用于快速评估深度神经网络的框架,用于基于补丁的遗传病理学分类
相关实验视频
Updated: Aug 11, 2026
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
Jakub R Kaczmarzyk1, Rajarsi Gupta2, Tahsin M Kurc2
1Department of Biomedical Informatics, Stony Brook Medicine, 101 Nicolls Rd, Stony Brook, 11794, NY, USA; Simons Center for Quantitative Biology, 1 Bungtown Rd, Cold Spring Harbor, 11724, NY, USA.
一个新的软件工具ChampKit,简化了用于组织病理学图像分析的深度学习模型的评估. 它发现转移学习只有在数据不足的情况下才有益,自主监督的预训练显示出有限的性能增长.
科学领域:
- 数字病理学数字病理学
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 组织病理学对于癌症诊断至关重要.
- 深度学习推进了图像分析,但最佳模型选择是具有挑战性的.
- 缺乏系统的评估,阻碍了对组织病理学分类的进展.
研究的目的:
- 介绍ChampKit,一个用户友好的软件工具包,用于评估神经网络模型在他的病理学.
- 能够对用于补丁分类的深度学习模型进行可靠和系统的评估.
- 促进算法开发人员和生物医学研究人员的模型选择.
主要方法:
- ChampKit提供了一个可扩展,可重复的工具包,用于训练和评估深度神经网络.
- 它通过命令行接口支持广泛的公共数据集和模型.
- 允许在最小的编码中集成外部模型.
主要成果:
- 通过使用ChampKit.Kit,对六个数据集中的多个神经网络进行了系统评估.
- 转移学习主要在低数据制度中显示出好处.
- 与其他方法相比,自我监督的预训意外地产生了有限的性能改善.
结论:
- 为数字病理学数据集选择合适的模型是复杂的.
- ChampKit使深度学习模型的评估对各种病理学任务进行了民主化.
- 该工具包及其代码是公开可用的,用于更广泛的科学用途.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
05:22Author Spotlight: Enhanced Multiplex Immunofluorescent Microscopy Protocol for Neuroscience Research
Published on: June 21, 2024
