ICLRMar, 2020

利用 DICOM 元数据的弱监督上下文编码器在超声成像中的应用

PDF
TL;DR使用 DICOM 元数据来帮助学习超声图像的表示，相较于非元数据方法在不同的下游任务上表现更好，解决了在低资源环境下获取高保真数据的难题。
deep learningclinical adaptationlow-resource settingsdicom metadataultrasound images
发现论文，激发创造
  • 无监督对比式视频 - 语音表征学习 —— 超声波应用

    本文提出了一种用于医学图像处理的自监督学习方法，该方法可以从多通道超声视频和相应的言语音频数据中学习有意义的图像特征，评价结果表明该方法可以用于标准平面检测和视线预测等向下流任务。

    Aug, 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

  • S-CycleGAN: 机器人超声成像的语义分割增强 CT - 超声图像印射

    通过引入一种名为 S-CycleGAN 的高级深度学习模型，我们在计算机断层扫描（CT）数据的基础上生成了高质量的合成超声图像，用于增强语义分割模型的训练数据集和机器人辅助超声扫描系统的开发，提高它们准确解析真实超声图像的能力。

    Jun, 2024

  • 面向诊断的高效传统学习医学图像压缩

    远程医疗诊断对于实际医疗系统至关重要，本研究提出了一种面向诊断的医学图像压缩的有效转移学习编码器，通过调整部分策略网络参数以适应医学图像，实验证明仅使用 1 个医学样本，我们的压缩系统可以与 HEVC 参考标准相比节省 47.594% 的比特率，达到 47.594% 的比特率节省。

    Oct, 2023

  • 简化超声医学图像分割的视觉上下文学习与遮罩图像模型结合的简单框架

    新的简单视觉上下文学习（ICL）方法 SimICL 结合被设计用于自监督学习的屏蔽图像建模（MIM）对配对图像进行视觉 ICL，成功地在具有有限注释的腕部超声数据集上验证，对于骨骼结构分割取得了非常高的 Dice 系数（DC）和 Jaccard 指数（IoU），并能减少图像标注需要的人工专家时间，提高超声图像分析中人工智能辅助的实际应用。

    Feb, 2024

  • 合성医学影像的质量如何？肺部超声的实证研究

    通过使用生成模型中的合成训练数据，本研究提出了一个全面框架，以提高医学图像分析的模型开发效果，同时解决数据稀缺、数据不平衡和患者隐私问题。通过在各种规模的数据集上进行测试，我们展示了生成模型作为数据增广方法的优势，以及通过敌对方法保护患者隐私以及使用实际留存数据进行模型测试的新型性能指标。我们证明了使用合成数据和真实数据进行训练优于仅使用真实数据进行训练，并且仅使用合成数据进行训练的模型接近仅使用真实数据进行训练的模型。

    Oct, 2023

  • DeepUniUSTransformer: 通向通用超声模型的有引导深度学院 Transformer

    提出了一种名为 DeepUniUSTransformer 的新型通用超声波框架，可适应多个临床任务，包括分割任务和计算机辅助诊断任务，通过引入一个新的模块将相关信息作为提示，并优于使用单个数据集进行训练的模型和缺乏提示指导的网络的消融版本。

    Jun, 2024

  • 基于可变元数据的前列腺病变检测的分离条件对比学习

    通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。

    Aug, 2023

  • USCL：通过视频对比表示学习预训练深度超声图像诊断模型

    通过使用 US-4 数据集进行直接预训练，提出了一种名为 USCL 的 US 半监督对比学习方法，以学习来自 US-4 的功能强大的特征，并在多项下游任务中取得超越 ImageNet 预训练和其他 SOTA 预训练方法的结果。

    Nov, 2020

  • 自监督上下文语言表征用于放射学报告，以提高通信紧急性识别

    本文利用 BERT 模型在无标注大语料库中预训练生成上下文表示，进而构建医学无标注文本的自监督学习模型提高判别医学报告的信息提示等级，并取得了显著性能优于 Word2vec 模型的效果。

    Dec, 2019