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

Apr, 2020

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

Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks

PDF

Davood Karimi, Ali Gholipour

TL;DR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。

Abstract

convolutional neural networks (CNNs) have shown to be powerful medical image segmentation models. In this study, we address some of the main unresolved issues regarding these models. Specifically, training of these models on small medical image datasets is still challenging, with many

convolutional neural networks medical image segmentation multi-task learning transfer learning out-of-distribution detection

发现论文，激发创造

多模态医学图像的多任务深度学习分割

本文研究使用单个卷积神经网络对不同成像模式下的医学图像进行分割的方法，实验结果表明这种方法在不同任务中具有相当的分割性能，证明了卷积神经网络结构的高容量性。因此，可以在医学实践中使用单个系统进行自动分割任务，而无需进行任务特定的训练。

Apr, 2017

基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

Feb, 2016

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

使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

基于 CNN 的医学图像分割

通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化，本论文应用于医学图像分割领域，实现了在手部和脑部 MRI 图像上的分割与验证。

Jan, 2017

医学图像分割中维度降低以改善超出分布检测

通过使用马氏距离后处理肝脏磁共振成像的 Swin UNETR 模型的瓶颈特征，通过主成分分析降低瓶颈特征的维度，高效且计算负载最小地检测到了分布外的图像。

Aug, 2023

使用卷积神经网络的多发性硬化症病变分割中的一次性领域适应

这篇研究分析了针对多发性硬化症患者图像的自动白质病变分割方法的卷积神经网络方法，重点研究了领域适应性对准确性的影响，并评估了在新领域中需要重新训练的最小图像数量和最小图层数量以获得可比较的准确性。

May, 2018

基于多任务字典学习的卷积神经网络在纵向图像计算机辅助诊断中的应用

本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架，使用 MSCC 方法学习不同的任务，以预测未来认知临床得分，并在公开的神经影像队列中应用模型进行临床测量预测，取得了优异的结果。

Aug, 2017

多层级聚合作为基于特征的 OOD 检测关键

通过对大量的异常数据进行实验比较，我们发现基于特征的异常检测方法中，多层方法始终表现优异，而单层方法的性能不稳定且取决于异常类型，同时异常检测的性能也高度依赖于神经网络的架构。

Jul, 2023

面向鲁棒性医学图像分割的测试时间可适应神经网络

我们提出了一种基于图像归一化和去噪自动编码器的 CNN 分割方法，该方法可以处理医疗图像分割中由于扫描仪模型或协议差异而导致的训练和测试图像不匹配问题，并能够适应多中心数据集以及其他分割网络。

Apr, 2020