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

Sep, 2020

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

Learning from Multiple Datasets with Heterogeneous and Partial Labels for Universal Lesion Detection in CT

Ke Yan, Jinzheng Cai, Youjing Zheng, Adam P. Harrison, Dakai Jin...

TL;DR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。

Abstract

Large-scale datasets with high-quality labels are desired for training accurate deep learning models. However, due to the annotation cost, datasets in medical imaging are often either partially-labeled or small.

deep learning models medical imaging lesion detection heterogeneous label scopes annotations

发现论文，激发创造

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

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

病变收割者：大规模迭代挖掘未标记的病变和难负样本

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。

Jan, 2020

MULAN：联合病变检测、标记和分割的多任务通用病变分析网络

本文提出一种多任务普适性病变分析网络，它基于改进的 Mask R-CNN 框架，能够联合检测、标注和分割身体各部位的病变，达到了 DeepLesion 数据集上最高的检测和标注精度。

Aug, 2019

视网膜病变分割的跨数据集泛化

通过对多个数据集进行对比研究，本文提出了使用随机权重平均、模型融合和集成等技术来提高模型泛化性能，并揭示了如何将粗粒度标记数据与细粒度数据集相结合以改善病变分割的洞见。

May, 2024

具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

具有区域级集损失的弱监督通用病变分割

该论文提出了一种基于 HRNet 的弱监督方法，称为 AHRNet，通过区域级别集合（RLS）损失进行优化，可实现精准的通用病变分割，实验证明在公共数据集 Deeplesion 上取得了最佳表现。

May, 2021

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

D-LEMA：基于多个标注的深度学习集成 —— 应用于皮肤病变分割

本文提出了一种利用 Bayes 卷积网络处理不同标注者之间矛盾标注情况的方法，以提高深度学习模型在多标注医学图像分割上的性能和泛化能力。

Dec, 2020