{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,5,17]]，“日期-时间”：“2024-05-17T00:30:31Z”，“时间戳”：1715905831247}，“参考-计数”：63，“发布者”：“Elsevier BV”，“许可证”：[{“开始”:{“日期-部分”：[2023,10,1]]，”“日期时间”：”2023-10-01T00:00:00:00:00 0Z”，“时间戳”：1696118400000}，“内容-版本”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com//tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2023,10,1]]，“date-time”：“2023-10-01T00:00:00Z”，“timestamp”：1696118400000}，“content-version”：“tdm”，“delay-in-days”：“0，”URL“https:\\/www.else vier.com/legal\/tdmr.ep-license“}，{“开始”：{“日期-部分”：[[2023,10,1]]，“日期-时间”：“2023-10-01T00:00:00Z”，“timestamp”：1696118400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-017”}，{“start”：{“date-parts”：[[2023,10,1]]，“date-time”：“2023-10-01T00:00”，“时间戳”：169418400000}in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-037“}，{“start”：{“date-parts”：[[2023,10,1]]，“date-time”：“2023-10-01T00:00:00Z”，“timestamp”：1696118400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-012”}，{“start”：{（日期-部件）：[[2023,10,1]，“日期-时间”：“2013-10-01T_00:00Z”，”timestamp“169 6118400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2023,10,1]]，“date-time”：“2023-10-01T00:00:00Z”，“timestamp”：1696118400000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“http:\/\/doi.org\/10.15223\/policy-004”}]，“出资人”：[{“doi”：“10.13039 \/501100001809“，“name”：“国家自然科学基金”，“doi-asserted-by”：“publisher”，“award”：[“62276052”，“82100650”]}，{“doi”：“10.13039\/501100005408”，“name”：“中国电子科技大学”，“doi-asserted-by”：”publisher“，”award“：[”ZYGX2022YGRH009“，”ZYG-X2022yGRH014“]}“doi:”10.13039\/501100012166“，”name“：”中国国家重点研发计划“，“doi-asserted-by”：“publisher”，“award”：[“2022YFA1004100”]}]，“content-domain”：{“domain”（域）：[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[”医学图像分析“]，”published-print“：{”date-parts“：[2023,10]}，”doi“10.1016\/j.media.2023.102890”，“type”：“journal-article”，“创建”：{“日期部分”：[[2023,7,8]]，“date-time”：“2023-07-08T23:24:16Z”，“timestamp”：1688858656000}，“page”：“102890”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：4，“title”：[“gigapixel整张幻灯片图像分析中基于多尺度表征注意力的深度多实例学习”]，“prefix”：“10.1016”，“volume”：“89”，“作者”：[{“ORCID”：“http://\/ORCID.org\/0000-0002-1985-1281”，“authenticated-ORCID”：false，“给定”：“杭晨”，“家族”：“祥”，“序列”：“第一”，“从属关系”：[]}，{“给定的”：“君义”，“家庭”：“沈”，“sequence”：“additional”，“affiliation”：[]}，}“给定”:“庆国”，“家人”：“燕”，“顺序”：“附加”，“附属关系”：[]}，{“给定”：“美莲”，“家庭”：“Xu”，“sequence”：“additional”，“affiliation”：[]}，{“ORCID”：“http://\/ORCID.org\/00000-0003-4934-0850”，“authenticated-ORCID”：false，“给定”：“Xiaosuang”，“family”：“Shi”，“sequence”:“additionable”，“filiation“：[]{”ORCID：“http://\\ORCID.org\/000-0001-6840-0578”，“authenticated-ORCID“：false”，“give”：“晓峰”，“家庭”：“Zhu”，“sequence”：“附加”，“affiliation”：[]}]，“member”：“78”，“reference”：[{“issue”：“6”，“key”：“10.1016\/j.media.2023.102890_b1”，“doi-asserted-by”：“crossref”，“doi”：“101371\/journal.pone.0177544”，“article-title”：“利用卷积神经网络对乳腺癌组织学图像进行分类”，“volume”：”12“author”：“Ara\u00fajo”，”2017年“，”杂志标题“：“公共图书馆一号”}，{“key”：“10.1016\/j.media.2023.102890_52”，“doi-asserted-by”：“crossref”，“unstructured”：“Bae，W.，Noh，j.，Kim，G.，2020。重新考虑弱监督对象定位的类激活映射。收录于：《欧洲计算机视觉会议论文集》。第618\u2013634页。“，”DOI“：”10.1007\/978-3-030-58555-6_37“}，{”issue“：”8“，”key“：”101016\/j.media.2023.102890_b3“，”DOI-asserted-by“：”crossref“，”first page“：安奈拉“，”年份：“2019”，“新闻标题”：“Nat.Med.”}，{“问题”：“10”，“关键”：“10.1016\/j.media.2023.102890_b4”，“doi-asserted-by”：“crossref”，“首页”：“2398”，“doi”：“10.3390\/cancers14102398”，“article-title”：“通过无监督聚类利用固有细胞模式进行慢性淋巴细胞白血病进展诊断”，“volume”：“14”，“author”：“Chen”，“year”：“2022“，”journal-title“：”Cancers“}，{”issue“：”9“，”key“：”10.1016\/j.media.2023.102890_b5“，”doi-asserted-by“：”crossref“，”first page“：“1453”，”doi“：”101038\/s41591-019-0539-7“，“article-title”：“用于癌症诊断的实时人工智能集成增强现实显微镜”，“volume”：“25”，“author”：“Chen”，“year”：“2019”，“journal-title“：”Nat.Med.“}，{”key“：”10.1016\/j.media.2023.102890_b6“，”doi-asserted-by“：”crossref“，”unstructured“：”Chen，H.，Han，X.，Fan，X.、Lou，X.和Liu，H.、Huang，J.、Yao，J.，2019a。修正了弱监督全幻灯片图像分类器的交叉熵和上转换损失。收录：医学图像计算和计算机辅助干预国际会议论文集。第351\u2013359页。“，“DOI”：“10.1007\/978-3-030-32239-7_39”}，{“key”：“101016\/j.media.2023.102890_b7”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cheng，H.-T.，Yeh，C.-F.，Kuo，P.-C.，Wei，A.，Liu，K.C.，Ko，M.-C.，Chao，K.-H.，Peng，Y.C.，Liu。部分标记组织病理学图像分割的自相似学生。摘自：欧洲计算机视觉会议论文集。第117\u2013132页，“DOI”：“10.1007\/978-3-030-58595-2_8”}，{“key”：“101016\/j.media.2023.102890_b8”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chikontwe，P.，Kim，M.，Nam，S.j.，Go，H.，Park，S.H.，2020。组织病理学分类的中心嵌入多实例学习。收录：医学图像计算和计算机辅助干预国际会议论文集。第519\u2013528页。基于卷积神经网络的全幻灯片图像中浸润性导管癌的自动检测。摘自：《2014年医学成像学报：数字病理学》，第9041卷。904103.”，“DOI”：“10.1117\/12.2443872”}，｛“key”：“10.1016\/j.media.2023102890_b10”，“系列标题”：“自我监督缩小组织学弱监督和强监督之间的差距”，“作者”：“Dehaene”，“年份”：“2020”}，｛“issue”：“1\u20132”，“key”：“10.1016\/j.media.2023102890_b11”，“DOI断言”：“crossref”，“首页”：“31”，“DOI”：“10.1016\/S0 004-3702（96）00034-3“，”article-title“：”用轴平行矩形解决多实例问题“，”volume“：”89“，”author“：”Dieterich“，”year“：”1997“，”journal-title”：“人工智能”}，{“key”：“10.1016\/j.media.2023.102890_b12”，”doi-asserted-by“：”crossref“，”unstructured“：”Dake，H.U.，Zhou，Y.，Deveerasetty，K.K.，Wu，Q.，2018。基于人工神经网络的无监督学习：综述。收录：IEEE国际机器人和仿生系统会议记录。pp.322\u2013327.“，”DOI“：”10.1109\/CBS.2018.8612259“}，{”issue“：”02“，”key“：”101016\/j.media.2023.102890_b13“，”DOI-asserted-by“：”crossref“，”first page“：“185”，“DOI”：“10.1142\/S0219720005001004”，“article-title”：“微阵列基因表达数据的最小冗余特征选择”，“volume”：“3”，“author”：“Ding”，“year”：“2005”“，”新闻标题“：”j。生物信息。计算。Biol.“}，{”issue“：”13_Supplement“，”key“：”10.1016\/j.media.2023.102890_b14“，”doi-asserted-by“：”crossref“，”first page“：“SY01”，”doi“：”101158\/1538-7445.AM2021-SY01-03“，”article-title“：”摘要SY01-03:金标准癌症诊断：医生变异性、解释性行为和AI影响的研究“，”volume“:”81“，”author“：”Elmore“，”年份：“2021”，“journal-title”：“Cancer Res.”}，{“issue”：“2”，“key”：“10.1016\/j.media.2023.102890_b15”，“doi-asserted-by”：“crossref”，“first-page”：“416”，“doi”：“101109\/JBHI.2016.526603”，“article-title“：”HEp-2细胞图像分类与深卷积神经网络“，卷”：“21”，“作者”：“高”，“年份”：“2016”，“日记标题”：“IEEE j。生物识别。健康信息“}，{“key”：“10.1016\/j.media.2023.102890_b16”，“doi-asserted-by”：“crossref”，“unstructured”：“桥本，N.，福岛，D.，Koga，R.，Takagi，Y.，Ko，K.，Kohno，K，Nakaguro，M.，Nakamura，S.，Hontani，H.，Takeuchi，I.，2020。使用未标记的组织病理学图像进行癌症亚型分类的多尺度区域-逆行多方位CNN。收录：IEEE计算机视觉和模式识别会议论文集。第3852\u20133861页。“，”DOI“：”10.1109\/CVPR42600.2020.00391“}，{”key“：”101016\/j.media.2023.102890_b17“，”DOI-asserted-by“：”crossref“，”unstructured“：”He，K.，Zhang，X.，Ren，S.，Sun，j.，2016。用于图像识别的深度残差学习。收录：IEEE计算机视觉和模式识别会议论文集。第770\u2013778页，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“101016\/j.media.2023.102890_b18”，“DOI-asserted-by”：“crossref”，“unstructured”：“Hou，L.，Samaras，D.，Kurc，T.M.，Gao，Y.，Davis，j.E.，Saltz，j.H.，2016。基于块的卷积神经网络用于全幻灯片组织图像分类。收录：IEEE计算机视觉和模式识别会议论文集。第2424\u20132433页。“，”DOI“：”10.1109\/CVPR.2016.266“}，{“问题”：“3”，“关键”：“10.1016\/j.media.2023.102890_b19”，“DOI-asserted-by”：“crossref”，“首页”：“1316”，“DOI”：“101109\/JBHI.2018.2852639”，“文章标题”：“在组织病理学图像中，利用生成性对抗网络进行细胞级视觉表征的无监督学习”，“卷”：“23”，“作者：“胡”，“年份”：“2018年”，“新闻标题”：“IEEE J.Biomed。健康信息“}，{“key”：“10.1016\/j.media.2023.102890_b20”，“非结构化”：“Ilse，M.，Tomczak，j.，Welling，M.”，2018年。基于注意力的深度多实例学习。摘自：机器学习国际会议论文集。第2127\u20132136.页“}，{”key“：”10.1016\/j.media.2023.102890_b21“，”doi-asserted-by“：”crossref“，”first page“：“44”，”doi“：”101016\/j.compmedimag.2014.11.010“，”article-title“：”Computer-aided diagnosis from weaking survience:A benchmarking study“，”volume“：：”42“，”author“：”Kandimer“，”year“：”2015“，”journal-title”：“Computer.Med.Imaging Graph.”}，{“问题”：“1”，“key“：”10.1016\/j.media.2023.102890_b22“，”doi-asserted-by“：”crossref“，”first page“：“1”，”doi“：”101038\/s4203-020-01151-5“，”article-title“：”使用交叉成像合成技术对临床组织病理学中的非变性胶原蛋白特征进行表征“，”volume“：3”，“author”：“Keikhosravi”，“year”：“2020”，“journal-title”：“Commun”。Biol.“}，{“key”：“10.1016\/j.media.2023.102890_b23”，“series-title”：“Adam：一种随机优化方法”，“author”：“Kingma”，“year”：“2014”}，}“keys”：“101016\/j.media.2023.102990_b24”，“doi-asserted-by”：“crossref”，“doi”：“10.016\/j.media.2020.101938”，“article-title”：使用卷积神经网络和自监督颜色归一化的全幻灯片图像的单图像超分辨率”，“卷”：“68”，“作者”：“Li”，“年份”：“2021”，“期刊标题”：“Med.image Anal。“}，{”key“：”10.1016\/j.media.2023.102890_b25“，”doi-asserted-by“：”crossref“，”unstructured“：”Li，B.，Li，Y.，Eliceiri，K.W.，2021b。双流多实例学习网络，用于带有自监督对比学习的整体幻灯片图像分类。收录：IEEE计算机视觉和模式识别会议论文集。pp.14318\u201314328.“，”DOI“：”10.1109\/CVPR46437.2021.01409“}，{“key”：“10.1016\/j.media.2023.102890_b26”，“series-title”：“基于注意力的前列腺全幻灯片图像分类和定位多分辨率模型”，“author”：“Li”，“year”：“2019”}，“key“：”1016\/j.media.2020 3.102890 _b27“，”DOI-asserted-by“：”crossref“，“first page”：”60“，”DOI“：”10.1016\/j.media.2017.07.005“，”article-title“：”医学图像分析深度学习调查“，”volume“：”42“，”author“：”Litjens“，”year“：”2017“，”journal-title”：“医学图像分析。“}，{”issue“：”11“，”key“：”10.1016\/j.media.2023.102890_b28“，”doi-asserted-by“：”crossref“，”first-page“：”3429“，”doi“：”101109\/TMI.2020.295518“，”article-title“：”半监督医学图像分类与关系驱动的自我暗示模型“，”volume“：“39”，“author”：“Liu”，“year”：“2020”，“journal-title”：“IEEE Trans.Med.Imaging”}，{“密钥”：“10.1016\/j.media.2023.102890_b29“，“series-title”：“使用深度多实例学习和对比预测编码进行半监督组织学分类”，“author”：“Lu”，“year”：“2019”}，{“issue”：“6”，“key”：“10.1016\/j.media.2023.102890_b30”，“doi-asserted-by”：“crossref”，《first page》：“555”，“doi”：“101038\/s41551-020-00682-w”，“article-title”：全幻灯片图像的数据效率和弱监督计算病理学”，“卷”：“5”，“作者”：“Lu”，“年份”：“2021年”，“新闻标题”：“Nat.Biomed”。Eng.“}，{”issue“：”37“，”key“：”10.1016\/j.media.2023.102890_b31“，”doi-asserted-by“：”crossref“，”doi“：”1017485\/ijst\/2016\/v9i37\/102081“，”article-title“：”模板匹配识别膝关节植入物的新方法“，”volume“：“9”，”author“：”Malathy“，”year“：”2016“，”journal-title”：“Indian j.Sci.Technol.”}，}“密钥”：“10.1016\/j.media.2023.102890_b32“，”doi-asserted-by“：”crossref“，”doi“：”10.1016\\j.media.2021.102165“，“article-title”：“具有异质数据和少量局部注释的深卷积神经网络的半监督训练：前列腺组织病理学图像分类实验”，“volume”：“73”，“author”：“Marini”，“year”：“2021”，“journal-title“：”医学图像分析。“}，{”key“：”10.1016\/j.media.2023.102890_b33“，”article-title“：”Multi-instance learning“的框架”，“volume”：“10”，“author”：“Maron”，“year”：“1997”}，“{”key“：“10.1016\\j.media.2023.102880_b34”，“doi-asserted-by”：“crossref”，“doi”：“10.1109\/TKDE.2023.3268069”，“article-title”：“通过双重相关约简的多重图表示学习”，“”作者：“莫”，“年份”：“2023年”，“新闻标题”：“Proc。IEEE传输。知识。Data Eng.“｝，｛“key”：“10.1016\/j.media.2023102890_b35”，“文章标题”：“通过联合\u21132，1-范数最小化进行高效和稳健的特征选择”，“volume”：“23”，“author”：“Nie”，“year”：“2010”｝，｛“issue”：“1”，“key”：“10.1016\/j.media.2023102890_b36”，“doi断言者”：“crossref”，“首页”：“1”，“doi”：“10.1038\/s41598-018-48876-0”，“文章标题“：”病理图像分类的聚类-拉贝尔半监督学习方法”，“卷”：“8”，“作者”：“Peikari”，“年份”：“2018”，“期刊标题”：“科学。代表“}，{”key“：”10.1016\/j.media.2023.102890_b37“，”first page“：“1”，”article-title“：”FedNI:基于网络修复的联合图学习用于基于人群的疾病预测“，”author“：”Peng“，”year“：”2022“}”，{“key”：“10.1016\\j.media.2023.102880_b38”，“series-title”：“医学图像计算的解释性和注释性高效学习”，“首页”：“43”，“文章标题”：“通过多实例学习和基于梯度的解释提高计算机辅助诊断工具对全玻片成像的可解释性”，“作者”：“Pirovano”，“年份”：“2020”}，{“密钥”：“10.1016\/j.media.2023102890_b39”，“doi断言”：“crossref”，“非结构化”：“Pulido，J.V.、Guleria，S.、Ehsan，L.、Fasullo，M.、Lippman，R.、Mutha，P.、Shah，T.、Syed，S.和Brown，D.E.，2020年。噪声、千兆像素组织学图像的半监督分类。摘自：IEEE生物信息学和生物工程国际会议论文集，第563\u2013568页。“，”DOI“：”10.1109\/BIBE50027.2020.00097“}，{“key”：“10.1016\/j.media.2023.102890_b40”，“DOI-asserted-by”：“crossref”，“first page”：”102“，“DOI”：“10.3389\/fbioe.2019.00102”，“article-title”：“组织病理学全切片图像分类的无监督领域改编”，“卷”：“7”，“作者”：“任”，“年份”：“2019年”，“期刊标题”：“前沿”。比昂。生物技术。“}，{”issue“：”3“，”key“：”10.1016\/j.media.2023.102890_b41“，”doi-asserted-by“：”crossref“，”first page“：“211”，”doi“：”101007\/s11263-015-0816-y“，”article-title“：”Imagenet大规模视觉识别挑战“，”volume“：10.1016\/j.media.2023.102890_b42“，”doi-asserted-by“：”crossref“，”unstructured“：”Selvaraju，R.R.，Cogswell，M.，Das，A.，Vedantam，R.，Parikh，D.，Batra，D.，2017年。Grad-cam：通过基于梯度的本地化从深层网络中进行可视化解释。摘自：IEEE计算机视觉国际会议论文集。pp.618\u2013626.“，”DOI“：”10.1109\/ICCV.2017.74“}，{“key”：“10.1016\/j.media.2023.102890_b43”，“first page”：”2136“，”article-title“：”Transml:Transformer：基于Transformer的相关多实例学习用于整张幻灯片图像分类“，”volume“：”34“，”author“：”Shao“，”year“：”2021“}”，{”key“：“10.116\/j.media.2023.102890_bs4”，“series-title”：“”深度学习医学成像”，“首页”：“682”，“article-title”：“集群到征服：一个用于全幻灯片图像分类的端到端多实例学习框架”，“作者”：“Sharma”，“年份”：“2021”}，{“键”：“10.1016\/j.media.2023.102890_b45”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.media.2019.101624”，“article-title”：“基于图形时间集成的半监督卷积神经网络，带噪声标签，用于组织病理学图像分析”，“卷”：“60”，“作者”：“史”，“年份”：“2020年”，“期刊标题”：“医学图像分析”。“}，{”key“：”10.1016\/j.media.2023.102890_b46“，”doi-asserted-by“：”crossref“，”unstructured“：”Shi，X.，Xing，F.，Xie，Y.，Su，H.，Yang，L.，2017。组织病理学图像分类的细胞编码。收录：医学图像计算和计算机辅助干预国际会议论文集。pp.30\u201338.“，”DOI“：”10.1007\/978-3-319-66185-8_4“}，{“key”：“10.1016\/j.media.2023.102890_b47”，“DOI-asserted-by”：“crossref”，“unstructured”：“Shi，X.，Xing。pp.5742\u20135749.“，”DOI“：”10.1609\/aaai.v34i04.6030“}，{“key”：”10.1016\/j.media.2023.102890_b48“，”DOI-asserted-by“：”crossref“，”first page“：”1662“，”DOI“：2020年“journal-title“：”IEEE Trans。图像处理。“}，{”key“：”10.1016\/j.media.2023.102890_b49“，”doi-asserted-by“：”crossref“，”first page“：“93960”，“doi”：“10.1109\/ACCESS.2022.3204000”，“article-title”：“基于图形分割的伪标记用于半监督病理图像分类”，“volume”：“10”，“author”：“Shin”，“year”：“2022”，“journal-title“：”IEEE ACCESS“}”，{“key”：”10.1016\/j.media.2023.102890_b50“，”doi-asserted-by“：”crossref“，”first page“：”489“，”doi“：”10.1016\\j.media.2016.08.008“，”article-title“：”结肠组织学图像中的腺体分割：glas挑战赛“，”volume“：“35”，“author”：“Sirinukunwattana”，“year”：“2017”，“journal-title”：“Med.Image Anal。“}，{”key“：”10.1016\/j.media.2023.102890_b51“，”doi-asserted-by“：”crossref“，”unstructured“：”Smith，Neural，Topin，N.，2019。超收敛性：使用较大的学习速率对神经网络进行非常快速的训练。在：《多领域操作应用的人工智能和机器学习论文集》，第11006卷。第369\u2013386页，“DOI”：“10.1117\/12.520589”}，{“key”：“101016\/j.media.2023.102890_b52”，“series-title”：“图形神经网络的多实例学习”，“author”：“Tu”，“year”：“2019”}文章标题“：”半监督医学图像分类的深度虚拟对抗性自学训练，具有一致性规则化”，“卷”：“70”，“作者”：“王”，“年份”：“2021”，“新闻标题”：“医学图像分析”。“}，{”key“：”10.1016\/j.media.2023.102890_b54“，”series-title“：”深度学习医学成像“，”首页“：”843“，”article-title“：“超越分类：通过端到端部分学习进行全玻片组织病理学分析”，“author”：“Xie”，“year”：“2020”}，“issue”：“1”，“key”：“10.1016\/j.meda.2023.1002890_555”，“doi-asserted-by”：“crossref”，“首页“：”1“，”DOI“：”10.1186\/s12859-017-1685-x“，”article-title“：”通过深度卷积激活特征对大规模组织病理学图像进行分类、分割和可视化“，”卷“：”18“，”作者“：”徐“，”年份“：”2017“，”期刊标题“：”BMC生物信息学“}，{“key”：“10.1016\/j.media.2023.102890_b56”，“series-title”：“深度多视图聚类的自我监督鉴别特征学习”，“author”：“Xu”，“year”：“2022”}，{“issue”：“3”，“key”：“10.1016\/j.media.2023.102890_b57”，“doi-asserted-by”：“crossref”，“first page”：”591“，“doi”：“1016\/j.media.2014.01.010”，“article-title”：“弱监督组织病理学肿瘤图像分割和分类”卷：“18”，“作者”：“徐”，“年份”：“2014”，“新闻标题”：“医学图像分析”。“}，{”key“：”10.1016\/j.media.2023.102890_b58“，”unstructured“：”Yan，Y.，Wang，X.，Guo，X.、Fang，j.、Liu，W.、Huang，j.，2018。使用动态池进行深度多实例学习。摘自：《亚洲机器学习会议论文集》。第662\u2013677页。“}，{“问题”：“3”，“关键”：“10.1016\/j.media.2023.102890_b59”，“doi-asserted-by”：“crossref”，“首页”：“107”，“doi”：“101145\/3446776”，“文章标题”：“理解深度学习（仍然）需要重新思考泛化”，“卷”：“64”，“作者”：“张”，“年份”：“2021”，“日志标题”：”Commun.ACM“}”，{：“5”，“键”：10.1016\/j.media.2023.102890_b60“，”doi-asserted-by“：”crossref“，”first page“：”236“，”doi“：”10.1038\/s42256-019-0052-1“，“article-title”：“病理学家级可解释的深度学习全滑癌诊断”，“volume”：“1”，“author”：“Zhang”，“year”：“2019”，“journal-title“：”Nat.Mach。智力。“}，{”key“：”10.1016\/j.media.2023.102890_b61“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhang，H.，Meng，Y.，Zhao，Y.、Qiao，Y.Yang，X.，Coupland，S.E.，Zheng，Y.“，2022。DTFD-MIL：用于组织病理学整张幻灯片图像分类的双层特征提取多实例学习。收录：IEEE计算机视觉和模式识别会议论文集。pp.18802\u201318812.”，“DOI”：“10.1109\/CVPR52688.201824”}，｛“issue”：“7”，“key”：“10.1016\/j.media.2023102890_b62”，“DOI断言”：“crossref”，“首页”：“1641”，“DOI”：“10.1109\/TMI.2018.2796130”，“文章标题”：“使用基于上下文的CBIR进行组织病理学整张幻灯片图像分析”，“volume”：“37”，“author”：“Zheng”，“year”：“2018”，“期刊标题“：”IEEE传输。医学成像“}，{“key”：“10.1016\/j.media.2023.102890_b63”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhou，B.，Khosla，A.，Lapedriza，A.，Oliva，A.和Torralba，A.，2016。学习深层特征以进行区分性定位。收录：IEEE计算机视觉和模式识别会议论文集。pp.2921\u20132929.“，”DOI“：”10.1109\/CVPR.2016.319“｝]，”容器标题“：[”医学图像分析“]，”原始标题“：[]，”语言“：”en“，”链接“：[｛”URL“：”https:\/\/api.elsevier.com\/content\/article\/PPII:S1361841523001500？httpAccept=text\/xml“，”内容类型“：”text\/xml“，”内容版本“：”vor“，”预期应用程序“：”文本挖掘“｝，｛”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S1361841523001500？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2024,5,16]]，“date-time”：“2024-05-16T12:14:51Z”，“timestamp”：1715861691000}，“score”：1，“resource”：{primary“：{”URL“https:”https:\\/linkinghub.elsevier.com/retrieve\/pii\/S136184152 3001500“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2023,10]]}，”references-count“：63，”alternative-id“：[”S1361841523001500“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.media.2023.102890“，”relationship“：{}，“ISSN”：[”1361-8415“]，“ISSN-type”：[{“value”：“1361-8413”，“type”:“print”}]，“subject”：【】，“published”：{“date-parts”：[[2023,10]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher“，”label“：”本文由“}，{”value“：”gigapixel整张幻灯片图像分析的基于多尺度表征注意力的深度多实例学习“，”name“：”articletite“，”标签“：”article Title“}”，{“value”：“Medical image analysis”，“name”：“journaltite”，“label”：“Journal Title”}https:\/\/doi.org\/10.1016\/j.media.2023.102890“，”name“：”articlelink“，”label“：”CrossRef doi link to publisher maintained version“}，”{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，{“value”：“\u00a9 2023 Elsevier B.V.保留所有权利