Nov, 2019

深度学习模型在临床 MRI 数据外分布中的可靠性：多中心研究

PDF
TL;DR本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。
发现论文，激发创造
  • 加速 MRI 的深度学习鲁棒性：多样训练数据的益处

    深度学习在图像重建中是当前各种成像任务的最先进方法，研究发现使用不同数据分布来训练模型相对于单一数据分布训练的模型在加速磁共振成像上表现出更好的鲁棒性和性能，并且不会削弱模型在特定分布下的性能。

    Dec, 2023

  • 医学图像分析中的外域检测：一项调查

    深度学习在计算机辅助诊断中得到了应用，但在实际临床场景中可能遇到分布偏移导致的静默失败问题，而最近的研究则探索了各种解决方案，包括分类和评估协议，以及缺乏探索的研究方向。

    Apr, 2024

  • 用于前列腺癌症病变检测的超出分布的多视图自编码器

    基于多个 T2w 方向的多流方法在医学影像数据中的无监督的离群分布检测应用于前列腺癌症状检测，并取得了比单一方向方法更好的检测效果（AUC：73.1 对比 82.3），表明了 MRI 在前列腺癌症状检测中无监督的离群分布检测的潜力。

    Aug, 2023

  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

    Apr, 2020

  • 增强自动化和早期检测阿尔茨海默病的能力：利用超出分布检测

    利用 CNN 和 OOD 检测来改进 MRI 分类，从而降低假阳性率，消除 Machine Learning 模型在医疗任务中的重要劣势。

    Sep, 2023

  • 医疗领域的离群样本检测基准测试

    本文定义三类 Out-of-Distribution Detection 的示例，并在医学图像的三个领域中对常见的方法进行基准测试。结果表明，尽管这些方法对某些类别的 OOB 样本产生良好结果，但它们未能识别接近训练数据分布的图像，作者发现简单的二元分类器在特征表示上具有最佳的平均精度和 AUPRC。

    Jul, 2020

  • 利用少量数据将机器学习诊断模型适应新的人群：临床神经科学研究结果

    通过加权的实证风险最小化方法，在多个神经影像研究中利用机器学习模型诊断老年痴呆症（AD）、精神分裂症（SZ）和估计脑龄，实现了对数据的泛化和预测，具备较好的鲁棒性。

    Aug, 2023

  • 医学图像分类的深度学习模型泛化

    近年来，我们不断发展了大量用于医学图像分析的深度学习模型，但仍然存在诸多挑战，如模型泛化性能、性能下降原因和如何克服性能下降等。本研究回顾了基于深度学习的分类模型的泛化方法，并讨论了未来的挑战，包括改进评估协议和基准以及实现稳健、泛化的医学图像分类模型的未来发展。

    Mar, 2024

  • 基于 StyleGAN2 的医学影像异常检测

    利用生成对抗网络（GAN）检测处于训练分布之外的图像，该方法能够在 90% 以上的区分肝脏与非肝脏的情况下识别出分布之外的图像。

    Jul, 2023

  • 医疗表格数据中的超出分布检测基准

    机器学习模型在现实世界的医疗系统中可靠地运用和避免在分布之外的数据上产生不准确的预测是非常重要的。该研究提出了一个全面的可复现基准测试，比较了不同方法在接近和远离分布之外的数据上的表现，特别关注医疗表格数据的处理。研究发现对于远离分布之外的数据，问题似乎已经解决，但对于接近分布之外的数据仍然存在挑战。此外，将后处理方法与基于距离的机制结合可以显著改善性能，而 Transformer 架构相对于 MLP 和 ResNet 架构来说更加保守。

    Sep, 2023