Jul, 2020

通过自学、自分类和自修复学习语义丰富的表示

PDF
TL;DR本研究提出了一种自我监督学习的深度模型，命名为 Semantic Genesis，通过自主发现、自我分类和自我恢复医学图像下的解剖学，来学习语义丰富的视觉表征，具有较高的性能表现，适用于医学分类和分割。
medical imagessemantics-enrichedself-supervised learningdeep modelsanatomical patterns
发现论文，激发创造
  • 模型创世纪

    研究者提出了一种称为 Models Genesis 的自学习模型，使用自我监督学习方法，利用医学图像中的解剖特征实现了从自然图像到医学图像的迁移学习，并在医学影像的分类和分割等任务中取得了比 ImageNet 更好的结果。

    Apr, 2020

  • Models Genesis: 用于三维医学图像分析的通用自学习模型

    提出了一种称为 Models Genesis 的方法，在医学图像分析中实现了从自然图像到医学图像的迁移学习，并表明该方法优于从零学习和在 2D 中微调先前预训练的模型。

    Aug, 2019

  • 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

  • 基于关系驱动自集成模型的半监督医学图像分类

    本文提出了一种基于关系推理的半监督框架，用于医学图像分类，可通过鼓励输入数据的预测一致性来利用未标记的数据，同时使用自组合模型产生高质量的一致性目标，通过建模不同样本之间的关系信息有效地利用标记数据。该框架明确在扰动下相对于单个预测的语义关系的一致性，鼓励在未标记的数据中探索额外的语义信息。经实验评估，该方法在单标签和多标签图像分类场景中优于许多半监督学习方法。

    May, 2020

  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019

  • 探索医学图像的内在特性，用于自监督二值语义分割

    介绍了一种专门为医学图像分割设计的自我监督框架 MedSASS，通过在四个不同的医学数据集上的评估，展示了其优越性。在 CNN 和 ViT 架构上相较于现有方法，MedSASS 在没有端到端训练和有端到端训练时分别表现出 14.4% 和 6% 的显著提升。

    Feb, 2024

  • 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

  • 3D 医学图像自监督预训练中的几何视觉相似性学习

    提出新的几何学视觉相似性学习范式，将拓扑不变性的先验性质嵌入到 3D 医学图像的图像相似度测量中，以实现具有一致性的表示语义区域，从而提高内场、相场和全局 - 局部转移能力。

    Mar, 2023

  • 基于自监督学习从解剖学中学习的医学成像基础模型

    通过自我监督学习策略，利用人体解剖的分级性质和组成性，该模型提供了与全 / 自我监督方法相比改进了 9% 到 30% 的分割任务性能以及增强了注释效率，并且能够更好地理解人体解剖学。

    Sep, 2023

  • 自监督单目深度的语义引导表示学习

    本文研究自监督学习中如何直接运用语义结构来指导几何表示的学习，提出了一种新的基于预训练语义分割网络和像素自适应卷积的架构，并使用两阶段训练过程来克服动态对象上的常见语义偏差。结果表明该方法在所有像素、细节和语义类别上都优于现有方法，实现了自监督单目深度预测的最新水平。

    Feb, 2020