ECCVMar, 2018

多分辨率下的弱监督医疗诊断和定位

PDF
TL;DR为解决医学影像诊断过程中对多种异常区域进行定位的难题，在仅有图像层级标签的情况下，本文提出了一种新颖的多分辨率学习模型，借助 Log-Sum-Exp 池化函数和可学习的下边界适应方法构建尖锐性先前概率，生成高分辨率的显著图，并且在解读胸部 X 光片方面取得了最新的最佳性能。
diagnostic imaginglocalization informationmedical training datasaliency mapslog-sum-exp pooling function
发现论文，激发创造
  • 基于区域建议的显著性图细化，用于弱监督疾病定位和分类

    本文介绍了一种新的方法，结合区域提议和显著性检测的方法，通过 ChestX-ray14 数据集，证明该模型在弱监督下疾病诊断和定位方面的性能已经成为新的 state-of-the-art。

    May, 2020

  • 病变定位的多模态自监督学习

    利用图像和诊断报告的多模态深度学习在医学影像诊断领域取得了显著进展，尤其在缺乏足够注释信息的辅助诊断方面具有强大的能力，然而，没有详细位置注释的准确定位疾病仍然是一个挑战，现有的方法已尝试利用局部信息实现细粒度语义对齐，但其在提取综合上下文内的细粒度语义能力有限，为解决这一问题，我们提出了一种新的方法，将文本报告中的完整句子作为局部语义对齐的基本单元，我们的方法结合了胸部 X 射线图像和相应的文本报告，在全局和局部层面进行对比学习，我们的方法在多个数据集上取得的领先结果证实了其在病灶定位任务中的有效性。

    Jan, 2024

  • InfoMask：掩蔽式变分潜在表示以定位胸部疾病

    本文提出了一种学习到的空间屏蔽机制，以过滤出注意力矩阵中的无关背景信号，并通过最大化掩蔽变分表示和类标签之间的信息，以使鉴别性区域更准确的定位，最终成功通过使用 ChestX-ray8 数据集实现了肺炎本地化而不使用任何像素级或边界框注释。

    Mar, 2019

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 有限监督下胸部疾病识别和定位

    提出了一种统一的方法，该方法在所有图像上同时执行疾病识别和定位，并且可以有效地利用分类信息以及有限的位置注释，从而在分类和定位任务中显着优于比较基线参考。

    Nov, 2017

  • 仅使用全局标签的组织病理分类和疾病定位：一种弱监督方法

    提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。

    Feb, 2018

  • 通过知识蒸馏和多任务学习实现低分辨率胸部 X 光分类

    该研究针对在资源受限的医疗环境中对低分辨率的胸部 X 光片进行诊断的挑战，通过引入多级协作关注知识（MLCAK）方法，利用视觉变换器（ViT）的自我关注机制，将高分辨率图像的关键诊断知识迁移至低分辨率的胸部 X 光片，提高了诊断准确性，尤其针对低分辨率的胸部 X 光片分析所设计的多任务框架，在本研究中使用 Vindr CXR 数据集验证了能够从低分辨率图像（如 28 x 28）诊断疾病的显著改进，从而暗示了传统依赖高分辨率图像（如 224 x 224）的关键转变。

    May, 2024

  • 胸部 X 射线弱监督深度学习用于疾病分类和定位

    本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

    Jul, 2018

  • 通过合成医学影像进行分类和定位的快速训练数据创建

    通过我们提出的方法，可以使用生成的数据训练任何深度神经网络来解决医学图像分析领域中数据不足和专家标注难题，从而提高地位监督模型和强监督模型的准确性。

    Aug, 2023

  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019