Med3D:三维医学影像分析的迁移学习
本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法,该方法基于权重转移和维度转移的两个关键原则,实验证明其在多维医学图像分割方面表现出色。
Jul, 2023
本研究探索了使用迁移学习来提高医学影像中深度卷积神经网络对器官分割的性能,研究结果表明迁移学习可改善标注的效率和提高准确的器官分割,在医学影像领域具有潜在应用价值。
Nov, 2023
本研究探讨了自然视频的预训练在 3D 医学任务的小型数据集上是否能够提高性能,结果表明预训练对不同架构、任务和数据集大小的 3D 模型都有一致的效益,在 3D 医学任务中,将预训练从小规模内域迁移到大规模外域可以获得更好的性能。
Apr, 2023
通过结合现有的 3D 图像编码器和 2D MLLMs,并通过设计的 Plane-Slice-Aware Transformer(PSAT)模块,提出了一种名为 Med3DInsight 的新颖预训练框架,用于增强对 3D 医学图像的理解。实验证明,在两个下游分割和分类任务中,包括使用 CT 和 MRI 模式的三个公共数据集以及与十多个基准模型的比较中,Med3DInsight 取得了最先进的性能,并且可以轻松集成到任何当前的 3D 医学图像理解网络中,显著提高其性能。
Mar, 2024
该研究论文通过大规模的三维多模态医学数据集 M3D-Data 和多模态大型语言模型 M3D-LaMed,在各种三维医学任务上实现了先进的医学图像分析方法,并提出了用于自动评估的新的三维多模态医学基准 M3D-Bench。
Mar, 2024
本研究提出了一种简单的方法,使用 2D 网络和中间特征表示来处理 3D 数据,并使用特征减少模块进行分类,以解决在医学分类的基准测试和实际临床数据中训练成功受限的问题。
Jul, 2023
本文提出了一种新的转移学习框架 —— 医学变压器,能够在充分利用三个平面信息的同时,有效地使用 2D 图像切片的序列建模三维体积图像。在大规模健康人脑磁共振成像数据集上进行自监督学习预训练后,评估结果表明,我们的做法优于现有 State-of-the-art 的转移学习方法,可将分类任务的参数数量有效减少近 92%。
Apr, 2021
本文提出了针对五种不同的自监督学习方法的三维版本,利用这些技术进行神经网络特征的学习,通过对三维图像的预处理,显著提高语义表示的精确性,从而在医学成像领域实现了数据效率、性能和收敛速度的提升,具有较高的竞争力和可扩展性。
Jun, 2020
本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述,并总结了不同领域中 3D CNN 的研究成果,如分类、分割、检测和定位,同时讨论了医学成像领域(以及深度学习模型的使用)中面临的挑战和未来趋势。
Apr, 2020
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018