论文笔记：Histopathological Image Classification Using Discriminative Feature-Oriented Dictionary Learnin

最新推荐文章于 2024-05-02 10:02:34 发布
最新推荐文章于 2024-05-02 10:02:34 发布
阅读量825 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： image-clas
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baidu_17806763/article/details/70053897
本文介绍了一种名为DFDL的算法，它通过学习特定类别的词典来提高病理图像分类的准确性。此方法旨在最小化同一类别内部的距离并最大化不同类别间的距离。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Histopathological Image Classification Using Discriminative Feature-Oriented Dictionary Learning

===============================

利用判别特征导向的词典库学习来进行病理学图像分类
文章发表于 IEEE TRANSACTIONS ON MEDICAL IMAGING, VOL. 35, NO. 3, MARCH 2016

总体思路：提取特征 –> 对特征进行分类

本文提出了一种提取特征的算法DFDL（ Discriminative
Feature-oriented Dictionary Learning），用于学习某一类别特定的词典库，用于图片分类或者病理学图像评分。本实验在3个实验集（乳腺癌，肾肺脾ADL，脑肿瘤TCGA）上做测试。

主要算法思想，每一类生成一个词典，词典的子空间可以生成该类的特征表示；任何其他类别的表示都跟这个表示距离很大。类似于类内间距最小，类间间距最大的KNN聚类方法。

方法流程：
这里写图片描述
这里写图片描述

这里写图片描述
Y是某一类，Y拔是互补类，D是字典，s是i类的稀缺表示，yl 是真是label， 因此生成该式：这里写图片描述利用多次迭代求解。
主要步骤如下：
这里写图片描述
这里写图片描述
学习到的词典：
这里写图片描述

论文笔记 / Deep features for breast cancer histopathological image classification
weixin_43404454的博客
12-14 1958
仅供参考，如有翻译不到位的地方敬请指出。转载请标明出处！ 论文地址：https://ieeexplore.ieee.org/abstract/document/8122889/citations#citations 摘要 乳腺癌（BC）是一种致命疾病，每年导致数百万人死亡。开发应用于患者图像的自动化恶性BC检测系统可以帮助更有效地处理该问题，使诊断更具可扩展性并且不易出错。同样重要的是，这种研究可...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
A dataset for breast cancer histopathological image classification
Yingying
03-06 1914
7909例乳腺癌图像，包括恶性和良性两类。82个病人 2480良性，5429恶性肿瘤样本 样本来自2014年一年内的一个clinical study 病例学家标注 多种放大倍数： 40×，100×，200×，400× 具体分类：四种良性，四种恶性 采用了一系列特征，包括LBP等。 采用了四种网络：KNN，QDA(quadratic linear analysis), svm,
深度学习论文精读05——用于乳腺癌组织病理学图像分类的深度特征
weixin_51991455的博客
10-15 3422
标题：Deep Features for Breast Cancer Histopathological Image Classifification 链接：https://ieeexplore.ieee.org/abstract/document/8122889/citations#citations
论文笔记：Histology Image Classification using Supervised Classification and Multimodal Fusion
想变有趣的EMMA
04-19 702
该博客由EMMA原创，随意转载，博客原链接 Histology Image Classification using Supervised Classification and Multimodal Fusion原文链接：paper 出处：2010 IEEE International Symposium on Multimedia 最近在使用小波变换做原始图像预处理，然后用CNN训练多个模型
医疗图像论文笔记三：《HEp-2 Specimen Image Segmentation and Classification Using Very Deep Fully Convolutional》
SanJin_Young的博客
10-07 766
摘要： 论文提出了一种使用全卷积神经网络的模式识别系统，能同时完成人类上皮细胞样本图像的分割和分类问题。作者将残差网络ResNet改进为全卷积的的残差网络（fullyconvolutionalresidualnetwork FCRN），使得网络能够完成语义分割任务，其次引入sand-clock形状的的残差块来提升FCRN的性能。 （一）网络结构 （1）Fully Convolutional ResNet（FCR） 网络由88层卷积组成，每一个Bottleneck模块...
（十八：2020.10.10）MICCAI 2020 追踪之论文纲要（译）＜上＞
Jojo论文基地
10-10 5347
讲在前面 暂时先更新PART I, 持续更新。 论文目录 PART I 《Machine Learning Methodologies 机器学习方法》 论文 概要 1.Attention, Suggestion and Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation注意，建议和注释：用于生物医学图像分割的深度学习框架 2.Scribble2Label: Scribble-Sup
CVPR 2017论文集锦（论文分类）—— 附录部分翻译
热门推荐
dengheCSDN的博客
08-23 2万+
作为计算机视觉领域的三大顶级会议之一，CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网：http://www.cvpapers.com/cvpr2017.html        Machine Learning 1 （机器学习） Spotlight 1-1A  （关注的焦点 1-1 A） Exclusivity-Consistency Regular
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3948
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
（WSI分类）WSI分类文献小综述
qq_34616741的博客
08-25 7848
WSI分类研究介绍。
读：H2-MIL: Exploring Hierarchical Representation with Heterogeneous Multiple Instance Learning for...
weixin_43215032的博客
05-13 1066
前言 论文来源：H2-MIL: Exploring Hierarchical Representation with Heterogeneous Multiple Instance Learning for Whole Slide Image Analysis (2022 AAAI) code：https://github.com/lin-lcx/H2-MIL 一、简介 对于具有金字塔形多分辨率的wsi图像数据，现有方法无法完全利用其多尺度和异质的诊断信息。这篇文章提出了一种基于图神经网络的多实例学习框架
论文解读 | CVPR2024：知识感知注意力的动态图表示用于组织病理学全幻灯片图像分析...
最新发布
AITIME_HY的博客
05-02 1964
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！李嘉文清华大学，深圳国际研究生院硕士生论文标题Dynamic Graph Representation with Knowledge-aware Attention for Histopathology Whole Slide Image Analysis概述 组织病理全切片图像（WSIs）分类已经成为医学显微成像处理中的基础任务。现有方...
病理切片的相关文章总结
qq_36717487的博客
04-04 864
1.
Multiple instance learning for histopathological breast cancer image classification
尼小屯的博客
07-26 1959
Multiple instance learning for histopathological breast cancer image classification（用于乳腺癌组织病理学图像分类的多示例学习） 个人翻译，仅供参考，不恰当的地方请大家指出，相互学习 Abstract 组织病理学图像是乳腺癌诊断的金标准。在检查期间，针对单个患者获得了数十个这样的组织病理图像。传统的基于图像的分类系统...
（六：2020.08.22）MICCAI 2019 追踪之论文纲要（上）
Jojo论文基地
08-23 4132
MICCAI 2019 论文全解读之PARTII（关于图像分割）（修正于2020.08.22）前言《Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation》（通过强化学习搜索学习策略进行3D医学图像分割）《Comparative Evaluation of Hand-Engineered and Deep-Learned Features for Neonatal Hip Bone S
[ICCV 2017] Learning Discriminative Latent Attributes for Zero-Shot Classification
一亩高粱
08-21 1341
零样本学习：学习判别性隐含属性，此处隐含属性是属性的组合。
论文笔记：R-CNN
想变有趣的EMMA
03-28 474
论文笔记：Rich feature hierarchies for accurate object detection and semantic segmentation【分类】【分割】【检测】 需要带有bounding box的数据。 摘要： 这篇论文主要把ＣＮＮ的FC7层作为特征提取器，利用SVM做分类器。然后利用CNN的pooling5层作为attention的区域，形成bounding
Android 开发学习2
想变有趣的EMMA
03-17 321
EditText(输入框) 设置默认提示文本 android：hint = //默认提示文本 android：textColorHint = //默认提示文本的颜色 获得焦点后全选组件内所有文本内容 android：selectAllOnFocus = “true” 限制EditText输入类型 android:inputType=”phone” android:inputType=”n
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值