FCAformer: Fuzzy-Enhanced Class-Aware Attention Based Transformer for Weakly Supervised Histopathology Image Segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pixel-level histopathology image segmentation plays a vital role in computational pathology, and weakly supervised segmentation methods, which rely solely on image-level labels, have shown great potential. However, most existing weakly supervised segmentation methods are limited by the fixed receptive field of convolutional neural networks, and overlook the uncertainty of the distribution of different tissue types and the fuzziness of class boundaries, resulting in limited segmentation effects. To address these problems, we propose a fuzzy-enhanced class-aware attention based Transformer (FCAformer) for weakly supervised histopathology image segmentation. FCAformer employs the Transformer architecture for model global contextual information, which effectively alleviates the limitation of fixed receptive field on the size of attention map in traditional methods. Subsequently, FCAformer integrates fuzzy system to model the uncertainty in histopathology images. Specifically, it assigns membership function to the output feature map of the last layer of Transformer encoder, generates fuzzy membership matrix, extracts fuzzy features by combining three fuzzy rules, and finally fuses these features to generate fuzzy attention map. This attention map guides the network to learn the characteristics of different tissue types and improve the fuzziness of class boundaries, thereby improving the modeling ability of the model on uncertain tissue distribution and fuzzy areas. In addition, based on the idea of contrastive learning, we design contrastive class token loss to further enhance the distinguishability between different class labels. Extensive experiments on LUAD-HistoSeg and BCSS-WSSS datasets demonstrate that FCAformer achieves state-of-the-art segmentation performance in weakly supervised segmentation tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle