-
需申請審核 H11-M103_基於對比式聚類之胰臟腺癌不精確標注弱監督分割模型
更新頻率 不定期 瀏覽次數 1124 下載次數 3使用對比式聚類的弱監督學習方式，從不精確標註資料取得更詳細的標註資訊，透過區塊方式訓練胰臟管線癌的辨識模型。模型會以影像分割方式取得胰臟腺癌區域。 -
需申請審核 H11-M102_在核心針活檢之多染色病理全切片影像之變型配準框架模型
更新頻率 不定期 瀏覽次數 1314 下載次數 10本研究提出了一個核心針活檢組織配準框架。提出的框架主要包括三個主要步驟。 (1）自動去污；（2）通過剛性配準進行初始旋轉和定位；以及（3）變形配準。 -
需申請審核 H11-M101_MSCS: 基於異質模型協作多倍率一致性之半監督病理影像分割模型
更新頻率 不定期 瀏覽次數 1082 下載次數 3使用多倍率半監督式學習訓練之分割模型，以在少量標註資料下提升辨識準確性與模型穩健性 -
需申請審核 H11-M105_ACC-GAN
更新頻率 不定期 瀏覽次數 1085 下載次數 5利用標註一致性引導訓練病理影像的轉換預處理模型保留重要語意特徵，以維持AI模型在不同病理掃描器影像之效能 -
需申請審核 H11-M17_持續性學習結合自我標註資料之影像分割模型
更新頻率 不定期 瀏覽次數 1131 下載次數 0Method 以圖像級標籤為基礎達成語意分割的持續學習，在訓練Transformer的同時讓一部分的模型向CNN學習，結合Transformer及CNN的知識來達成更好的結果。並在持續性學習中同時針對Transformre及CNN做蒸餾式學習，達成持續學習的效果。 Usage 弱監督及持續性學習之細胞分割模型 Release Note v1.0.0,... -
需申請審核 M11-M16_持續性學習結合自我標註資料之物體偵測模型
更新頻率 不定期 瀏覽次數 982 下載次數 0Method 使用半監督式學習訓練之乳癌物件偵測模型，利用GAN模型自己生成資料集影像，克服原始資料集影像較少的問題，讓偵測模型能有足夠多的訓練資料。再使用前任務的模型標上偽標籤，達成半監督與數據擴增的效果。 Usage 半監督式學習訓練之乳癌物件偵測模型 Release Note v1.0.0, 2023/10/10... -
需申請審核 H11-M14_持續性學習之影像分割模型
更新頻率 不定期 瀏覽次數 1259 下載次數 3Method 為了使細胞實例分割模型具有持續性學習的能力，本方法以兩階段的實例分割模型為框架,加入輸出層級以及特徵層級的知識蒸餾以解決持續性學習裡的災難性遺忘問題,並且以偽標籤方法來解決來解決背景偏移問題，使得模型可以持續學習新資料以及新類別。 Usage 能用於持續性學習之細胞分割模型 Release Note v1.0.0, 2023/07/11... -
H11_M09_高解析度影像的高效率深度學習方法
更新頻率 不定期 瀏覽次數 1740 下載次數 331Method The goal of the model is to use resnet50 with AMP(AUTOMATIC MIXED PRECISION) to accelerate the training speed and make a high-resolution skin cancer classification. Usage... -
需申請審核 H11-M06_考慮到例外分佈的病理影像標註品質評估技術
更新頻率 不定期 瀏覽次數 2272 下載次數 13Method 使用無監督式學習訓練之病理影像異常檢測模型，僅須提供未帶有腫瘤區域的資料來訓練模型，便可協助醫師偵測出病理影像中可能的腫瘤區域。 模型訓練分為兩階段, 第一階段是使用 Self-Supervised Learning 去訓練一個好的 Image Encoder (類似 MoCo) ，第二階段會使用到訓練好的 Encoder... -
需申請審核 H11-M05_基於不精確標註資料的弱監督式病理影像切割模型
更新頻率 不定期 瀏覽次數 2927 下載次數 46Method: 使用多實例學習訓練WSI的分類與切割模型，只需要給定WSI有無包含腫瘤組織資訊即可訓練具有分割與分類效果的模型。 模型訓練分為兩階段, 第一階段是使用 Self-Supervised Learning 去訓練一個好的 embedder，把patch轉為特徵向量 ，第二階段會使用到訓練好的 Aggregator... -
需申請審核 H11-M32_肝組織脂肪變性細胞偵測模型
更新頻率 不定期 瀏覽次數 1780 下載次數 27使用RnB-Unet模型偵測非酒精性脂肪肝之病理切片中的油滴之侯選區域及邊緣機率，以邊緣符合分數BMS篩選出正確之油滴區域，提供數量、面積、面積占比等量化資訊，協助醫師診斷脂肪肝之嚴重程度。 -
需申請審核 H11-M08_漸進式資料標註更正的自主學習模型
更新頻率 不定期 瀏覽次數 1858 下載次數 4Method 最先進的（SOTA）方法通常是通過監督式學習來訓練的，這需要大量的labeled data。由於標記數資料需要大量的人力和時間成本，尤其是那些需要由專家來標記的資料(如醫學相關)，所需要的成本更是難以負擔。Unlabeled data因為不需要標註所以取得相對容易且成本較低，因此如何能有效利用unlabeled... -
需申請審核 H11-M31_肝組織免疫染色價數評估模型
更新頻率 不定期 瀏覽次數 1217 下載次數 101.肝臟組織HBsAg免疫組織化學染色價數評估。 2.肝臟組織HBcAg免疫組織化學染色價數評估。 -
需申請審核 H11-M26_基於用戶回饋資訊之分散式動態訓練策略
更新頻率 不定期 瀏覽次數 1295 下載次數 5Abstract Federated learning provides a decentralized learning without data exchange. Among them, the Federated Average (FedAVG) framework is the most likely to be implemented in... -
需申請審核 H11-M03_強韌型(Robust)學習模型
更新頻率 不定期 瀏覽次數 1819 下載次數 3基於DISCO: https://arxiv.org/abs/2212.05630 的抗數位梯度攻擊影像資料模型，利用逆向Project Gradient Descent (PGD)資料 & PGD攻擊資料訓練DISCO模型，使得模型純化能力提升，提升下游模型強韌性。 資料集: CIFAR-10, CIFAR-100:... -
需申請審核 H11-D01_幽門部位內視鏡影像病理資料
更新頻率 不定期 瀏覽次數 2824 下載次數 4Description 此資料集適用於半監督式深度學習方法，目的在部分標註資料情況下，學習一個可靠的AI模型，降低人工標註之成本。 Acknowledgements This work was supported in part by the National Science and Technology Council, Taiwan under...
您也可以使用API (應用程式介面) (see API 文件)註冊。