Jan, 2020

病变收割者：大规模迭代挖掘未标记的病变和难负样本

PDF
TL;DR通过使用小规模的医学图像体积样本来智能地从剩下的样本中挖掘出存在的缺失标注，我们提出了一个强大的系统来从 DeepLesion 数据集中高精度地提取缺失的病变。
medical image analysismachine learningannotationlesion proposaldeeplesion dataset
发现论文，激发创造
  • 使用异构和部分标签的多数据集学习，实现 CT 通用病变检测

    该研究旨在开发一种通用的病变检测算法，通过利用粗略标注和临床知识，在多个异构数据集上进行训练，实现在多种病变类型下的准确检测。

    Sep, 2020

  • 通过学习多个异质标记数据集实现通用病变检测

    提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

    May, 2020

  • 通过探索性训练解决通用病变检测任务中的不完整标注问题

    通过引入创新的探索式训练方法，结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练，我们提出的框架在两个医学图像数据集上展现了卓越的性能，超越了现有最优方法。

    Sep, 2023

  • 医学图像噪声标记的鲁棒学习：应用于皮肤病变分类

    本论文提出了一种有效的迭代学习框架，用于医学图像的噪声标签分类问题。具体而言，我们提出了一种在线不确定样本挖掘方法，以消除嘈杂标记的图像的干扰，接着，我们设计了一种样本重新加权策略，以保留正确标记难样本的有用性。我们的方法在皮肤病变分类任务中得到了很有希望的结果。

    Jan, 2019

  • 训练，学习，扩展，重复

    这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。

    Mar, 2020

  • 针对多样化 CT 图像的临床显著发现的整体和全面注释：从放射学报告和标签本体学习

    该研究使用深度学习和多标签分类方法设计了一个名为 LesaNet 的病变注释网络，它可以准确的为超过 32k 的多样性病变图像进行分类并提取出 171 个精细标签，平均 AUC 达到 0.9344。

    Apr, 2019

  • 语义可转移的弱监督内窥镜病变分割

    本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型，该模型可以从相关的完全标记的疾病分割任务中利用有用的知识，以提高目标弱标记的病变分割任务的性能，其中包括提出了基于伪标签生成器的伪像素标签生成方法，并将同一类别的动态搜索特征中心在不同数据集间对齐。

    Aug, 2019

  • 野外深度病变图：在大规模多样化病变数据库中学习和组织重要的放射学图像发现的关系

    该文介绍了使用深度学习模型快速有效地处理医学影像中的异常病变并生成语义化标注的方法。研究利用 DeepLesion 数据集和三元组网络模型结构，可以有效地检索、聚类、和分类这些异常病变。该方法可以进一步应用于病人内部异常的匹配和缺失标注挖掘等临床应用。

    Nov, 2017

  • 学习从噪声标注中分割皮肤病变

    该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

    Jun, 2019

  • BRAIxDet: 学习通过不完整注释检测恶性乳腺病变

    本文提出了一种使用不完全标注的乳腺 X 线照片数据集进行恶性乳腺病变检测 的弱监督和半监督学习算法，并在真实数据集上对其进行了检测实验研究，取得了最先进的检测结果。

    Jan, 2023