脊柱 MRI 的自监督学习
通过对比侧面乳房 X 射线摄影图像来训练神经网络,以实现全面无监督的方式区分异常病变和背景组织,从而实现乳房补丁分类任务中的卓越性能。
Jan, 2024
本文研究了两种预训练方法(回归损失和对比损失)对深度学习模型在磁共振成像下的肝脏分割和前列腺分割应用中的效果,并发现自我监督预训练减少了标记数据的需求,且基于对比损失的预训练的初始化效果更好。
May, 2022
利用自我监督深度神经网络(DNN)对前列腺癌(PCa)的 VERDICT 模型进行参数估计,首次实现了复杂的三室分生物物理模型的无监督学习,相比传统方法具有更高的估计准确性、减少的偏差以及更高的癌变组织鉴别置信水平。
Sep, 2023
本文提出一种基于自监督预训练的医学图像分析深度学习训练策略,通过将不同扭曲应用于图像的随机区域,预测扭曲的类型和信息的损失,并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素,将该方法用于分割任务,能够提高 Dice 分数 20%。
Jul, 2022
利用多模态成像、深度学习和对比学习方法,从多模态 MRI 数据中学习鲁棒的潜在特征表示,将异构特征投影到共享空间,整合不同模态和类似主体间的互补和类似信息,进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。
Dec, 2023
通过利用神经放射学报告中丰富的信息,我们提出了一个自监督的文字 - 视觉框架,通过对脑部 MRI 扫描进行无监督学习,检测临床相关的异常,为自动分类、自动分级等应用提供支持。
May, 2024
该论文提出了一种自我监督协作学习框架(SelfCoLearn),用于从不完整的 k - 空间数据准确地重建动态磁共振图像,该框架包括双网络协作学习、重新采样数据增强和特殊设计的共同训练损失三个重要的组件。在体内数据集上进行评估,结果表明,该方法具有从不完整的 k - 空间数据中捕获必要和固有表示以实现高质量和快速动态磁共振成像的强大能力。
Aug, 2022
本研究研究了个性化神经网络在检测肿瘤进展方面的应用,采用对比增强 T1w 序列的磁共振成像,使用 Wasserstein-GAN 无监督网络架构构建模型,对 32 例患有胶质母细胞瘤的病人的 64 个扫描进行了评估,证明只使用一个病人的数据即可训练神经网络来监测肿瘤变化。
Oct, 2022
通过评估几种无监督方法对大规模合成数据集进行预训练的特征提取器在下游阿尔茨海默病与认知正常之间的分类任务中达到了类似于使用真实数据的模型的性能,从而支持使用大规模合成数据进行预文本任务训练的可行性。
Jun, 2024
本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架,使用 MSCC 方法学习不同的任务,以预测未来认知临床得分,并在公开的神经影像队列中应用模型进行临床测量预测,取得了优异的结果。
Aug, 2017