label-free

Label-Free Concept Bottleneck Models (Label-free CBM)

本篇文章发表于ICLR2023。论文链接：https://arxiv.org/abs/2304.06129代码链接：GitHub-Trustworthy-ML-Lab/Label-free-CBM:Anewframeworktotransformanyneuralnetworksintoaninterpretableconcept-bottleneck-model(CBM)withoutneedi
Rad1ant_up·2023-12-30 07:38

AAAI17最佳论文：Label-Free Supervision of Neural Networks with Physics and Domain Knowledge

本文为翻译AAAI17最佳论文：Label-FreeSupervisionofNeuralNetworkswithPhysicsandDomainKnowledge，如有错误，还望指正。转载请说明出处。用物理和特定领域知识让神经网络进行不带标签的监督学习摘要在许多机器学习应用中，带标签的数据数量稀少，要获得更多的标签造价昂贵。我们引入了一种新的神经网络监督学习方法，不是直接给出输入-输出对的直接示
manba_·2023-12-28 02:09

阅读论文：Label-Free Liver Tumor Segmentation

论文标题：Label-FreeLiverTumorSegmentation翻译：无标记的肝肿瘤分割摘要论文的目的：肿瘤合成，通过使用合成数据来改进医学图像分析和AI在肝脏肿瘤检测方面的性能我们的主要贡献是合成了一种肿瘤生成器，它提供了以下五个优点：1.合成策略将医学知识嵌入可执行程序中，通过放射科医生和计算机科学家的协作，实现了逼真肿瘤的生成，无需手动标注成本。2.整个训练阶段不需要标注成本，并且
小源0·2023-10-08 07:44

Motility-based label-free detection of parasites in bodily fluids using holographic speckle analy...

寄生虫感染是一个重要的全球公共卫生问题。基于手动显微镜检查的现有筛选方法通常难以提供足够的体积通量和灵敏度以促进早期诊断。在这里，我们展示了一种基于运动的无标记计算成像平台，通过利用寄生虫的运动作为特定的生物标志物和内源对比机制，快速检测光学密集体液中的运动寄生虫。基于这一原理，建立了一种经济有效的移动式仪器，可以快速筛选三维的~3.2mL流体样品，使用全息延时散斑图案自动检测和计算运动微生物。我
jinminbox·2023-03-21 23:33

精读Label-Free Segmentation of COVID-19 Lesions in Lung CT

摘要新冠刚爆发时，医学界缺少有标记的肺部CT图像，但得益于多年的数据收集，研究人员可以轻易地获得大量的健康肺部图像。于是本文作者抓住这一点，在健康的肺部图像上叠加生成的病灶区域，然后让网络尽可能复原出健康的肺部的形态。在实际使用中，将患者肺部CT图像与网络处理后得到的健康图像做对比，就可找出差异区域。方法架构图一正常肺部CT图像和新冠肺炎患者肺部CT图像的对比，上面一行中，橙色箭头所指向的区域为病
格里芬阀门工·2023-01-18 20:12

Paper reading (四十一)：Deep Learning in Label-free Cell Classification

论文题目：DeepLearninginLabel-freeCellClassificationscholar引用：190页数：16发表时间：2016.03发表刊物：naturescientificreports作者：ClaireLifanChen,AtaMahjoubfar,...,BahramJalali1UniversityofCalifornia摘要：Label-freecellanalys
wxw060709·2022-11-26 02:11

CellChat || Seurat、scanpy单细胞数据构建CellChat对象

或细胞数据的低维表示(即基于标签的模式（label-free模式)。对于后者，CellChat通过在低维空间或伪时间轨迹空间中根据cell-cell的距离建立共享邻居图来自动对cell进行分组
周运来就是我·2022-02-16 05:18

SWATH蛋白组学定量分析详解

SWATH最大的特点在于这项技术可以像Label-free技术一样不用标记样品，但检测精度却又远高于Label-free等技术，能够达到和
西西丽传说·2020-02-06 19:44

Deep Learning in Label-free Cell Classification

无标签细胞分类中的深度学习无标记细胞分析对个性化基因组学，癌症诊断和药物开发至关重要，因为它避免了染色试剂对细胞活力和细胞信号传导的不利影响。然而，目前可用的无标记细胞测定主要仅依赖于单一特征并且缺乏足够的分化。而且，通过这些测定分析的样品大小由于其低通量而受到限制。在这里，我们将特征提取和深度学习与光子时间拉伸实现的高通量定量成像相结合，在无标记细胞分类中实现了创纪录的高精度。我们的系统捕获定量
jinminbox·2019-11-06 12:09

Label-free classification of cultured cells through diffraction imaging

通过衍射成像对培养细胞进行无标记分类  在流式细胞仪设置中非常需要根据其3D形态自动分类生物细胞。我们使用衍射成像方法在实验和数值上研究了这种可能性。已经开发了基于灰度共生矩阵（GLCM）算法的快速图像分析软件，以从测量的衍射图像中提取特征参数。GLCM分析和随后的分类结果证明了六种培养细胞之间快速分类的潜力。结合数值结果，我们表明衍射成像流式细胞仪的方法具有作为生物细胞的高通量和无标记分类的平台
jinminbox·2019-07-08 16:33
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他