相关实验视频
Updated: Jul 23, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
CACs 基于自适应的FISH图像的识别 平均教师 半监督学习 具有域名知识 伪标签
Yuqing Weng1, Qiuping Hu2, Huajia Wang3
1Department of Respiratory and Critical Medicine, Zhuhai People's Hospital (Zhuhai Hospital Affiliated With Jinan University), Zhuhai, Guangdong, China.
Journal of imaging informatics in medicine
|December 12, 2024
概括
这项研究引入了一种半监督式学习算法,以改善用于肺癌查的循环异常细胞 (CAC) 检测. 该方法减少了对标记数据的需求,提高了诊断准确度,减少了手动注释.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 循环异常细胞 (CAC) 是肺癌诊断和早期查的重要生物标志物.
- 深度学习算法为CAC检测提供了潜力,但需要广泛的数据标签.
- 减少对标记数据的依赖对于癌症诊断中的实际深度学习应用至关重要.
研究的目的:
- 开发一种半监督学习算法,用于更好地检测肺癌中循环异常细胞 (CAC).
- 改进细胞细分和信号点检测,以使用最小的标记数据识别CAC.
- 在基于深度学习的癌症诊断系统中减少对大型手动标记数据集的依赖.
主要方法:
- 采用半监督的方法,结合自我训练和平均教师的方法进行细胞细分.
- 开发了一种自适应平均教师方法,以优化半监督细胞细分.
- 实现了一个端到端的半监督信号点检测算法,使用自适应平均教师和域知识伪标签.
主要成果:
- 半监督方法在细胞细分和信号点检测任务中表现出有效性.
- 在有限的标记数据 (2%, 5%, 10%) 中,在最终的CAC检测任务中取得了显著的表现.
- 提出的方法成功地减少了对广泛数据标签的需求,同时保持了高性能.
结论:
- 半监督学习有效地提高了用于肺癌查的CAC检测.
- 开发的自适应平均教师和域知识伪标签策略提高了使用更少标签数据的深度学习模型性能.
- 这种方法为早期肺癌诊断中的实用,数据效率高的深度学习提供了可行的解决方案.
