.png){kind=icon}
返回
Multi-Label Artifact Classification Algorithm Based on Label Association Modeling
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218001425500375.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高质量病理切片对于手动和计算机辅助诊断都至关重要。然而，现有的基于深度学习的伪影检测方法通常依赖图像块，面临重大挑战，包括过高的计算资源消耗以及缺乏全面的伪影检测和分析流程。在组织病理学图像中，如染色不均和划痕等伪影覆盖了大部分组织区域，且单张图像通常包含多种类型的伪影。为解决这些问题，本文提出了一种名为基于标签关联分类模型（LACM）的多标签伪影分类算法，适用于低倍率全切片病理图像。该算法通过标签关联特征融合模块（TAF_Module）整合了ResNet50最后三层的特征，该特征融合模块旨在增强模型的特征分辨率能力。本文利用自注意力机制，并引入图卷积网络（GCNs）来建立标签关联模型，从而进一步增强了模型处理复杂标签结构的能力。与其它算法相比，所提出的方法在病理图像伪影分类方面展现出更优越的有效性。本文提出的多标签伪影分类算法能够准确识别数字病理切片中的各种伪影类型，为评估病理图像质量提供了有效的技术解决方案。
Keyword:
Histopathological images artifact detection
low-magnification
multi-scale
feature fusion
graph convolutional network
期刊
IF:
1.1
论文数:
215
被引数:
2.0K
机构
引用论文
The Devil is in the Details: Whole Slide Image Acquisition and Processing for Artifacts Detection, Color Variation, and Data Augmentation: A Review.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Artifact Identification in Digital Pathology from Weak and Noisy Supervision with Deep Residual Networks基于深度残差网络的数字病理学中弱监督与噪声监督下的伪影识别
PREAI
分享收藏分享收藏Tissue Artifact Segmentation and Severity Assessment for Automatic Analysis Using WSIIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏CSWin Transformer: A General Vision Transformer Backbone with Cross-Shaped WindowsCSWin变压器: 带有十字形窗口的通用视觉变压器主干OAAI
OAAI分享收藏
查看更多内容