{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2023,10,8]]，“日期时间”：“2023-10-08T19:41:29Z”，“时间戳”：1696794089423}，“发布者位置”：“查姆”，“引用计数”：29，“出版商”：“斯普林格自然瑞士”，“isbn-type”：[{“值”：“9783031471964”，“类型”：”打印}，{“值”：“9783031449178”，“类型”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/searners\/text-and-data-mining”}，{“tart”：1-01T00:00:00Z“，”时间戳“：1672531200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com//gp\/researters\/text-and-data-mining”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[[2023]]}，”DOI“：”10.1007\/978-3-031-44917-8_24“，“type”：“book-chapter”，“created”：{“date-parts”：[[2023,10,7]]，“date-time”：“2023-10-07T20:33:48Z”，“timestamp”：1696710828000}，“page”：“246-256”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：0，“title”：[“To Pretrain or \u00a0 Not To \u00a 0 Pretrain？用于\u00a0组织病理学“]中\u00a0语义分割的\u00a0域特定预训练的\u00a0案例研究，“前缀”：“10.1007”，“作者”：[｛”给定的：“Tushar”，“家族”：“Kataria”，“序列”：“first”，“affiliation”：[]｝，｛”给定的：“Beatrice”，“家族”：“Knudsen”，“序列”：“additional”，“affiliation”：[]｝，｛”给定的：“Shireen”，“家族”：“Elhabian”，“序列”：“附加”，“附属关系”：[]｝]，“成员”：“297”，“在线发布”：｛“日期部分”：[[2023,10,8]]｝，“参考”：[｛“密钥”：“24_CR1”，“首页”：“9912”，“卷”：“33”，“作者”：“M Caron”，“年份”：“2020”，“非结构化”：“Caron，M.、Misra，I.、Mairal，J.、Goyal，P.、Bojanowski，P.和Joulin，A.：通过对比聚类分配对视觉特征进行无监督学习。高级神经信息处理。系统。33，9912\u20139924（2020）“，“新闻标题”：“高级神经信息处理。系统。}，{“key”：“24_CR2”，“unstructured”：“Chen，T.，Kornblith，S.，Norouzi，M.，Hinton，G.：视觉表征对比学习的简单框架。摘自：国际机器学习会议，第1597\u20131607页。PMLR（2020）“}，{”key“：”24_CR3“，”first page“：“22243”，“volume”：“33”，“author”：“T Chen”，“year”：“2020”，“unstructured”：“Chen，T.，Kornblith，S.，Swersky，K.，Norouzi，M.，Hinton，G.E.：大型自我监督模型是强大的半监督学习者。Adv.Neural Inf.Proc.Syst.33，22243\u201322255（2020{“key“：”24_CR4“，”doi-asserted-by“：”crossref“，”unstructured“：”Deng，J.，Dong，W.，Socher，R.，Li，L.J.，Li.，K.，Fei-Fei，L.：ImageNet：大型分层图像数据库。2009年IEEE计算机视觉和模式识别会议，第248\u2013255页。IEEE（2009）“，”DOI“：”10.1109\/CVPR.2009.5206848“}，{”issue“：”2“，”key“：”24_CR5“，”DOI-asserted-by“：”publisher“，”first-page“：”152“，“DOI”：“10.1002\/path.876”，“volume”：“194”，“author”：“J Eaden”，”year“：”2001“，”unstructured“：”Eaden，J.、Abrams，K.、McKay，H.、Denley，H.和Mayberry，J.：对溃疡性结肠炎的异型增生进行分级时，普通胃肠病理学家和专业胃肠病理学家之间的观察者差异。病理学杂志：《病理学杂志》。Soc.G.B.Irel公司。194（2），152\u2013157（2001）“，“期刊标题”：《病理学杂志》：《病理学杂志》。Soc.G.B.Irel公司。}，{“key”：“24_CR6”，“unstructured”：“Erhan，D.，Courville，A.，Bengio，Y.，Vincent，P.：为什么无监督的预培训有助于深度学习？摘自：《第十三届人工智能与统计国际会议论文集》，第201\u2013208页。JMLR Workshop and Conference Proceedings（2010）“}，{“issue”：“11”，“key”：“24_CR7”，“doi-asserted-by”：“publisher”，“first-page”：“3184”，“doi”：“10.1111\/j.1572-0241.2000.03199.x”，“volume”：：“95”，“author”：“M Farmer”，“year”：“2000”，“unstructured”：“Farmer，M.，Petras，R.E.，Hunt，L.E.，Janosky，J.E.，Galandiuk，S.：结肠炎症性肠病诊断准确性的重要性。美国胃肠病杂志。95（11），3184\u20133188（2000）“，“杂志标题”：《美国胃肠病杂志》。“}，{”key“：”24_CR8“，”doi-asserted-by“：”publisher“，”first-page“：”199“，“doi”：“10.1016\/j.media.2018.12.001”，“volume”：“52”，“author”：“S Graham”，“year”：“2019”，“unstructured”：“Graham，S.等：MILD-Net：结肠组织学图像中腺体实例分割的最小信息损失扩张网络。Med.Image Anal.52，199\u2013211（2019）”，“journal-title“：”医学图像分析。“}，{”key“：”24_CR9“，”doi-asserted-by“：”crossref“，”unstructured“：”He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。摘自：IEEE计算机视觉与模式识别会议论文集，第770\u2013778页（2016）“，”doi“：”10.1109\/CVPR.2016.90“}”，{K Hermann”，“年份”：“2020年”，“非结构化”：“Herman，K.，Chen，T.，Kornblith，S.：卷积神经网络中纹理偏差的起源和流行。高级神经信息处理。系统。33，19000\u201319015（2020）“，“新闻标题”：“高级神经信息处理。系统。“}，{”issue“：“1”，”key“：“24_CR11”，“doi-asserted-by”：“publisher”，“first page”：“4423”，“doi”：“10.1038\/s41467-021-24698-1”，”volume“：”12“，”author“：”FM Howard“，”year“：”2021“，”unstructured“：”Howard，F.M.等：特定站点数字组织学签名对深度学习模型准确性和偏差的影响。Nat.Commun.12（1），4423（2021）“，”《新闻标题》：《国家通讯》。“}，{”key“：”24_CR12“，”doi-asserted-by“：”publisher“，”first-page“：”26“，”doi“：”10.1016\/j.humpath.2017.11.014“，”volume“：“73”“，”author“：”RP Jajosky“，”year“：”2018“，”unstructured“：”Jajosky，R.P.、Jajosky，A.N.、Kleven，D.T.、Singh，G.：在2008年至2017年的主要住院医师比赛中，来自美国对抗疗法医学院的高年级学生填补病理学住院医师职位的人数越来越少。嗯，病态。73，26\u201332（2018）“，“新闻标题”：“哼，病态。“}，{”key“：”24_CR13“，”doi-asserted-by“：”crossref“，”unstructured“：”Kang，M.，Song，H.，Park，S.，Yoo，D.，Pereira，S.：对不同病理学数据集的自导学习进行基准测试。摘自：IEEE计算机视觉和模式识别会议论文集，pp.3344\u20133354（2023）“，”doi“：”10.1109 \/CVPR52729.2023.00326“}”，{“key”：“”24_CR14“，“非结构化”：“Kataria，T.，Knudsen，B.，Elhabian，S.：通过特征空间密度匹配进行语义分段的无监督域自适应。arXiv预印本arXiv:2305.05789（2023）“}，{“key”：“24_CR15”，“doi-asserted-by”：“crossref”，“unstructured”：“Kataria，T.，et al.：通过免疫组织化学（2023 I“：”10.1109\/TMI.2017.2677499“，”卷“：”36“，”作者“：”N Kumar“，”年份“：”2017“，”非结构化“：”Kumar，N.，Verma，R.，Sharma，S.，Bhargava，S.、Vahadane，A.，Sethi，A.：计算病理学广义核分割的数据集和技术。IEEE传输。医学成像36（7），1550\u20131560（2017）”，“期刊标题”：“IEEE Trans。Med.Imageging“｝，｛“issue”：“9”，“key”：“24_CR17”，“doi asserted by”：“publisher”，“首页”：“2713”，“doi”：“10.1109\/TMI.200.2974574”，“volume”：“39”，“author”：“Q Liu”，“year”：“2020”，“nonstructured”：“Liu，Q.，Dou，Q.，Yu，L.，Heng，P.A.：Ms-Net：利用异构MRI数据改善前列腺分割的多站点网络。IEEE Trans.Med.Imageging 39（9），2713\u20132724（2020）“，”期刊标题“：”IEEE Trans。医学成像“}，{“问题”：“12”，“关键”：“24_CR18”，“doi-asserted-by”：“出版商”，“首页”：“9298”，“doi”：“10.1109\/TPAMI.2021.3129870”，“卷”：“44”，“作者”：“T Mensink”，“年份”：“2021”，“非结构化”：“Mensink，T.、Uijlings，J.、Kuznetsova，A.、Gygli，M.、Ferrari，V.：影响不同外表领域和任务类型的迁移学习的因素。IEEE传输。模式分析。机器。智力。44（12），9298\u20139314（2021）“，“日志标题”：“IEEE Trans。模式分析。机器。智力。“}，{”issue“：”5“，”key“：”24_CR19“，”doi-asserted-by“：”publisher“，”first-page“：”e194337“，”doi“：”10.1001\/jamanetworkopen.2019.4337“，”volume“：“2”，“author”：“DM Metter”，“year”：“2019”，“unstructured”：“Metter，D.M.，Colgan，T.J.，Leung，S.T.，Timmons，C.F.，Park，J.Y.：2007年至2017年美国和加拿大病理学家劳动力的趋势。JAMA Netw公司。Open 2（5），e194337\u2013e194337（2019）“，“journal-title”：“JAMA Netw。Open“}，{”issue“：“2”，”key“：“24_CR20”，”doi-asserted-by“：”publisher“，”first page“：”448“，”doi“：”10.1109\/TMI.2018.2865709“，”volume“：：”38“，”author“：”P Naylor“，”year“：”2018“，”unstructured“：”Naylor，P.，La\u00e9，M.，Reyal，F.，Walter，T.：通过深度回归距离图分割组织病理学图像中的细胞核。IEEE Trans.Med.Imaging 38（2），448\u2013459（2018）“，”期刊标题“：”IEEE Trans。医学影像学“}，{”key“：”24_CR21“，”doi-asserted-by“：”publisher“，”first page“：“167”，“doi”：“10.1016\/j.media.2018.09.005”，“volume”：“50”，“author”：“G-Nir”，“year”：“2018”，“unstructured”：“Nir，G.等：数字化组织病理学图像中前列腺癌的自动分级：向多位专家学习。医学图像分析.50，167\u2013180（2018）”，“journal-title“：”医学图像分析。“}，{”key“：”24_CR22“，”unstructured“：”Raghu，M.，Zhang，C.，Kleinberg，J.，Bengio，S.：输血：医学成像的理解迁移学习。In:Advances In Neural Information Processing Systems 32（2019）“}”，{“issue”：“7”，“key”：“24_CR23”，“doi-asserted-by”：“publisher”，“first page”：”e2010648“，“doi”：“10.1001\/jamanetworkopen.2020.10648”，“卷：“3”，“作者”：“SJ Robboy”，“年份”：“2020年”，“非结构化”：“Robboy，S.J.等人：重新评估美国病理学家的劳动力规模。JAMA Netw公司。打开3（7），e2010648\u2013e2010648（2020）“，”journal-title“：”JAMA Netw。Open“}，{”key“：”24_CR24“，”doi-asserted-by“：”publisher“，”first-page“：”234“，”doi“：”10.1007\/978-3319-24574-4_28“，”volume-title“：”医学图像计算和计算机辅助干预\u2013 MICCAI 2015:第18届国际会议，德国慕尼黑，2015年10月5-9日，会议记录，第三部分“，”author“：”O Ronneberger“，”年份“：”2015“，”非结构化“：”Ronneberger，O.，Fischer，P.，Brox，T.：U-Net：生物医学图像分割的卷积网络。收录于：Navab，N.、Horneger，J.、Wells，W.M.、Frangi，A.F.（编辑）《医学图像计算和计算机辅助干预》2013年MICCAI 2015年：第18届国际会议，德国慕尼黑，2015年10月5日至9日，会议录，第三部分，第234\u2013241页。Springer International Publishing，Cham（2015）。https:\/\/doi.org\/10.1007\/978-3-319-24574-4_28“}，{”key“：”24_CR25“，”doi-asserted-by“：”publisher“，”unstructured“：”Shi，L.，et al.：EBHI-Seg:用于图像分割任务的新型肠镜活检组织病理学苏木精和伊红图像数据集。Front.Med.10（2023）。https:\//doi.org\/10.3389\/fmed.2023.1114673“，”doi“：”10.3389\/fmed.2023.1114673“}，{“key”：“24_CR26”，“doi-asserted-by”：“publisher”，“first page”：”489“，“doi”：“10.1016\/j.media.2016.08.008”，“volume”：《35》，“author”：“K Sirinukunwattana”，《年份》：“2017”，“unstructured”：“Sirinukonwattna，K.，et al.：结肠组织学图像中的腺体分割：GlaS挑战赛。医学图像分析35，489 u2013502（2017）https:\/\/doi.org\/10.1016\/j.media.2016.08.008“，”journal-title“：”医学图像分析。“}，{”key“：”24_CR27“，”doi-asserted-by“：”crossref“，”unstructured“：”Vu，Q.D.，et al.：数字显微组织图像的分割和分类方法。Front.Bioeng.Biotechtol.，53（2019）“，”doi“：”10.3389\/fbioe.2019.00053“}”，{“key”：“24_CR28”，“unstructure”：“”Zbontar，J.，Jing，L.，Misra，I.，LeCun，Y.，Deny，S.：Barlow Twins：通过冗余减少实现自主学习。摘自：机器学习国际会议，第12310\u201312320页。PMLR（2021）“}，{“key”：“24_CR29”，“unstructured”：“Zhang，S.，et al.：生物医学视觉语言处理中的大规模特定领域预处理。arXiv预处理arXiv:2303.00915（2023）”}]，“container-title”：[“有限和噪声数据下的医学图像学习”，“计算机科学中的课堂讲稿”]，“原始标题”：[]，“链接”：[{“URL”：“https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-031-44917-8_24“，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[[2023,10,7]]，“date-time”：”2023-10-07T20:38:38Z“，“timestamp”：1696711118000}，“score”：1，“resource”：{-“primary”:{“URL”：“https:\/\/link.springer.com/10.1007\/978-3-031-44917-8_24“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2023]]}，“ISBN”：[“9783031471964”，“9783003149178”]，”引用计数“：29，”URL“http://\/dx.doi.org\/10.1007\/9783-031-44917-8_24”，”关系“：{}，N“：[”0302-9743“，”1611-3349“]，“ISSN-type”：[{“value”：“0302-974”，“type”:“print”}，{“value“：“1611-3349”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2023]]}，“assertion”：[{“value”：”2023年10月8日“，“order”：1，“name”：“first_online”，“label”：“first online”，标签“：”会议缩写“，”组“：{”名称“：”ConferenceInfo”，“label”：“ConferenceInformation”｝｝，｛“value”：“使用有限和嘈杂数据进行医学图像学习研讨会”，“order”：2，“name”：“Conference_name”，“label”：“ConferenceName”，“group”：｛“name”：“ConferenceInfo”，“label”：“ConferenceInformation”｝，｛“value”：“Vancouver，BC”，“order”：3，“name”：“Conference_city”，“label”：“ConferenceCity”，“group”：｛name“：”ConferenceInfo“，”label“：”会议信息“}}，{“value”：“Canada”，“order”：4，“name”：“Conference_country”，“label”：“会议国家”，“group”：{“name”:“ConferenceInformo”，“table”：“ConferencieInformation”}}、{“value”：“2023”，“rder”：5、“name”:“Conference_year”，“标签”：“MeferenceYear”会议信息“}}，{“value”：“2023年10月8日”，“order”：7，“name”：“Conference_start_date”，“label”：“Conference start date”，“group”：{“name”:“ConferenceInformo”，“table”：“会议信息”}}会议信息“}}，{”value“：”2“，”order“：9，”name“：”Conference_number“，”label“：”ConferenceNumber“，”group“：https:\/\/miccaimilland.wixsite.com/milland2023“，”order“：11，”name“：”conference_url“，”label“：”conference url“，”group“：{”name“:”ConferenceInfo“，”标签“：”会议信息“}}，{”value“：”Double-blind“，”订单“：1，”name”：“type”，“label”：“type”，“group”：{“name”：”ConfEventPeerReviewInformation“，”table“：”同行评审信息（由会议组织者提供）“}}，{”value“：”Microsoft CMT“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：number_of_submissions_sent_for_review“，”label“：“发送供审阅的提交数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行审阅信息（由会议组织者提供）”}}，{“value”：“25”，“order”：4，“name”:“number_ of_full_papers_accepted”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“｝｝，｛”value“：”0“，”order“：5，”name“：”number_of_short_papers_accepted“，”label“：”number of short papers accepted“，”group“：｛”name“：”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“｝｝，｛”value“：”66%-该值通过公式“接受的完整论文数量/发送供审查的提交数量*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”全文接受率“，”group“：ConfEventPeerReviewInformation“，”label“：”同行评议信息（由会议组织者提供）“}}，{“value”：“3”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：}，{“value”：“No”，“order”：9，“name”：“external_reviewers_involved”，“label”：“涉及外部审阅者”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行审阅信息（由会议组织者提供）”}}]}}