QuPaS:基于SAM的半监督的血本病理图像细分与量子力场微调和对抗估计.
IEEE transactions on medical imaging
|February 27, 2026
概括
半监督细分 (S3),通过细分任何模型 (SAM) 增强,改进了他的病理学图像分析. 我们的QuPaS框架利用量子力场微调和对抗估计来实现卓越的细分性能.
科学领域:
- 数字病理学数字病理学
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
背景情况:
- 半监督细分 (S3) 对于组织病理学图像分析至关重要.
- 从未标记的数据中改进S3模型的学习是一个关键的挑战.
- 分段任何模型 (SAM) 显示出有希望的结果,但与复杂的基因病理图像结构作斗争.
研究的目的:
- 开发一个改进的基于SAM的S3框架,用于组织病理图像细分.
- 为了解决SAM在复杂图像中捕捉精细结构关系方面的局限性.
- 为了提高模型学习能力,使用未标记的数据.
主要方法:
- 拟议的QuPaS框架整合了量子力场 (QFF) 微调和对抗估计 (AE).
- QFF模拟了分子间的力量,以改进对空间结构的像素级特征理解.
- AE 将输出中的信任分布对齐,以减少语义特征干扰.
主要成果:
- 在三个具有挑战性的基因病理细分任务中,QuPaS显著超过了最先进的S3方法.
- 该框架在未见的领域表现出稳定的概括性.
- 实验验证证了QuPaS在复杂的细分场景中的有效性.
结论:
- QuPaS框架有效地增强了对组织病理图像的半监督细分.
- 整合QFF和AE解决了SAM的局限性,改善了结构关系的捕获.
- QuPaS为医疗图像细分提供了强大的和可通用的解决方案.
更多相关视频
08:44Quantitative Cell Biology of Neurodegeneration in Drosophila Through Unbiased Analysis of Fluorescently Tagged Proteins Using ImageJ
Published on: August 3, 2018
10.6K
09:31High-Speed Ultraviolet Photoacoustic Microscopy for Histological Imaging with Virtual-Staining assisted by Deep Learning
Published on: April 28, 2022
3.5K
