Oct, 2019

利用魔方游戏自监督学习 3D 医学图像的特征

PDF
TL;DR本文提出了一种自我监督学习框架，使用 Rubik's cube recovery 为代理任务来预训练 3D 神经网络，以便从原始 3D 数据中学习平移和旋转不变特性，与从头开始训练相比，用预训练网络微调能够更好地提高 3D 深度学习网络在不使用额外数据的情况下对体积医疗数据集的准确性，这是第一篇关注 3D 神经网络的自我监督学习的工作。
self-supervised learning3d medical imagesneural networksrubik's cube recoveryvolumetric medical datasets
发现论文，激发创造
  • 重新审视魔方：以体积变换的自监督学习用于三维医学图像分割

    本研究提出了一种基于自监督学习的 3D 医学成像的新型框架，即 Rubik's cube ++，通过对 3D 体数据进行体积化转换来更好地利用器官的内在三维解剖信息，可以预先训练 3D 神经网络，在胰腺分割和脑组织分割等各种任务中表现出更好的性能。

    Jul, 2020

  • 医学影像的 3D 自监督方法

    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

  • 使用三维先验增强二维表示学习

    通过在训练过程中直接强制将强大的三维结构先验性知识融入模型，我们提出了一种新的方法来加强现有的自监督学习方法，并通过一系列数据集实验证明了我们的三维感知表示比传统的自监督基线更加稳健。

    Jun, 2024

  • 联合自监督图像体表示学习：基于内外对比聚类

    本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

    Dec, 2022

  • 有限数据注释的自监督 RCNN 用于医学图像分割

    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

  • 联合监督与自监督学习 3D 现实世界挑战

    本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。

    Apr, 2020

  • 自监督无监督学习超声视频特征表示

    本研究提出一种无需人类标记学习医学影像视频有意义且可迁移表示的自监督学习方法，利用无标记数据的解剖结构实现身体结构感知任务训练，并在胎儿超声视频上进行实验以表明该方法有效。

    Feb, 2020

  • 跨模态和跨视角自监督特征学习

    通过利用跨模式和视角的对应关系，该论文提出了一种新颖且有效的自监督学习方法，联合学习 2D 图像特征和 3D 点云特征，并通过神经网络评估跨模态的对应关系，而无需使用人工标注标签。

    Apr, 2020

  • 自监督空时立方体拼图视频表示学习

    本文介绍了一项名为 “Space-Time Cubic Puzzles” 的自监督任务，通过完成此任务训练 3D CNN 以获取视频的空间与时间信息，并在 UCF101 和 HMDB51 数据集上实现比 2D CNN 更好的动作识别结果。

    Nov, 2018

  • 自监督式脑部 CT 扫描中的异常外检测

    本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

    Nov, 2020