Apr, 2019

医学影像领域自适应和泛化的有力基础

HTML
PDF
TL;DR本研究在医学成像中提供了多源、多目标域适应和泛化问题的强大基准，通过使用10个不同胸透数据集的多样性集合，我们实证演示了在训练医学成像深度学习模型应用于不同病人群体的好处，以用于样本外的域泛化。
发现论文，激发创造
  • 当未见领域泛化不必要时？重新思考数据增广

    本文提出了一种用于医学图像领域通用性问题的Deep Stacked Transformations (DST)方法，并通过对三种任务的测试表明，DST模型对于未曾接触的数据集性能的下降仅有11%左右，可更好地应对图像域的差异，因此可以在更临床上的任务中发挥作用。

    Jun, 2019

  • 基于线性依赖正则化的医学影像分类领域泛化

    本文提出了一种简单而有效的方法来提高医学成像分类中深度神经网络的泛化能力，该方法通过使用新的线性依赖正则化项进行变分编码学习代表性特征空间，以捕获从不同领域收集的医学数据之间的可共享信息。实验结果表明，与现有方法相比，我们的方法可以实现更好的跨领域泛化能力。

    Sep, 2020

  • 测试时无监督领域自适应

    本研究提出了一种测试时间域自适应评估框架，该框架表明了针对测试数据进行领域适应可以优于在目标领域中看到更多数据的领域适应方法，支持无监督域自适应应在测试时间使用，即使只使用单个目标领域主题。

    Oct, 2020

  • 医学图像分析的领域自适应研究概述

    介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

    Feb, 2021

  • 临床环境中领域泛化的经验框架

    本研究基于多中心临床时间序列和医学影像数据，评估了8种领域泛化方法在现实世界医学成像数据上的性能，并对真实性产生的领域偏差和采样偏差而进行模拟压力测试，发现当前领域泛化方法在现实世界医学成像数据上的表现并不总是能够显著提升。然而，在临床时间序列数据的某些真实性突出情景下，这些领域泛化方法确实会呈现出一定的性能提升，建议在临床环境中采用最佳实践方法来进行领域泛化。

    Mar, 2021

  • 医学影像领域中的无监督域适应深度学习: 最近的进展与未来展望

    深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。

    Jul, 2023

  • 多域改善医学图像分析的超出分布和数据有限情境

    当前医学图像分析的机器学习方法主要集中在为特定任务开发定制模型，利用其目标域内的数据。最近，提出了基础模型，它结合了来自各种领域的数据，并展现出出色的泛化能力。本研究在此基础上引入了多领域医学图像的结合，包括不同的成像方式如X线、MRI、CT和超声图像，以及各种视角如轴位、冠状位和矢状位。我们称之为多领域模型，并将其性能与特定模型进行了对比。研究结果强调了多领域模型在数据有限和常遇到的超出分布情况下的优越泛化能力，尤其在医疗应用中。多样数据的整合使多领域模型能够利用跨领域的共享信息，显著提高整体结果。举例而言，在器官识别方面，与传统专用模型相比，多领域模型的准确性可以提高10%。

    Oct, 2023

  • 医学图像分析的领域泛化综述

    医学图像分析（MedIA）是医学和医疗中不可或缺的工具，对疾病诊断、预测和治疗计划有所助益，深度学习（DL）取得的重大成就对其发展作出了显著贡献。然而，用于MedIA的DL模型在实际情况中仍然具有挑战性，在训练和测试样本之间的分布差异下无法进行泛化，也即所谓的分布偏移问题。本文综述了专门针对MedIA的领域泛化研究，全面地回顾了领域泛化技术在更广泛的MedIA系统中的相互作用，超越方法论，考虑到对整个MedIA工作流程的操作影响。具体而言，我们将领域泛化方法分为数据级、特征级、模型级和分析级方法。我们展示了这些方法如何在MedIA工作流程的不同阶段中使用，从数据获取到模型预测和分析。此外，我们还包括了用于评估这些方法的基准数据集和应用，并分析了各种方法的优缺点，揭示了未来的研究机会。

    Oct, 2023

  • 医学图像分析领域广义化综述

    医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个GitHub项目，收集了相关资源，链接为：https://this-URL-github-project

    Feb, 2024

  • 领域内数据对于X射线图像中的地标检测在迁移学习中是否有益？

    深度学习在医学影像分析方面具有潜力，但在这个应用领域中，大规模的公开数据集和标注可用性受到限制。本文通过一个系统研究来分析，在小规模领域内x光影像数据集的使用是否能够在地标检测方面相较于仅在大规模自然图像数据集上预训练模型时提供任何改进。我们的研究结果表明，在医学影像中使用领域内数据集相对于ImageNet领域外预训练模型来说，带来的改进微乎其微或没有。当没有大规模标注数据集可用时，我们的发现可以为开发稳健的医学影像地标检测系统提供指导。

    Mar, 2024