文章预览
来源：专知 本文 为论文介绍 ，建议阅读 5 分钟 这篇论文重新审视了深度学习的基本组成部分，并评估了它们在医学图像分析中的应用。 这篇论文重新审视了深度学习的基本组成部分，并评估了它们在医学图像分析中的应用。论文指出了深度学习在这一领域的三个主要挑战： 专家知识的整合、未标记数据的利用以及预测不确定性的估计 。论文结构分为几部分，分别解决这些挑战。 第一部分 在第一部分中，论文介绍了一种通过旋转反射等变性（roto-reflective equivariance）来整合专家知识的新型深度学习模型，以提高医学成像任务的准确性和鲁棒性，特别是在组织病理学切片中检测转移组织的任务中。所提出的模型优于传统的卷积神经网络（CNN）架构，并表现出对输入扰动的鲁棒性。接下来，论文探讨了如何通过提出PCam数据集（源于Camelyon16挑战赛）
………………………………
