基于线性依赖正则化的医学影像分类领域泛化
本论文提出一种隐私保护的约束域泛化方法,通过在集中式服务端的信息聚合过程中应用新颖的梯度对齐损失,以期提高模型的泛化能力,将训练模型更好地泛化到 “未见过” 的但相关的医学图像
May, 2021
本研究基于多中心临床时间序列和医学影像数据,评估了 8 种领域泛化方法在现实世界医学成像数据上的性能,并对真实性产生的领域偏差和采样偏差而进行模拟压力测试,发现当前领域泛化方法在现实世界医学成像数据上的表现并不总是能够显著提升。然而,在临床时间序列数据的某些真实性突出情景下,这些领域泛化方法确实会呈现出一定的性能提升,建议在临床环境中采用最佳实践方法来进行领域泛化。
Mar, 2021
医学图像分析(MedIA)是医学和医疗中不可或缺的工具,对疾病诊断、预测和治疗计划有所助益,深度学习(DL)取得的重大成就对其发展作出了显著贡献。然而,用于 MedIA 的 DL 模型在实际情况中仍然具有挑战性,在训练和测试样本之间的分布差异下无法进行泛化,也即所谓的分布偏移问题。本文综述了专门针对 MedIA 的领域泛化研究,全面地回顾了领域泛化技术在更广泛的 MedIA 系统中的相互作用,超越方法论,考虑到对整个 MedIA 工作流程的操作影响。具体而言,我们将领域泛化方法分为数据级、特征级、模型级和分析级方法。我们展示了这些方法如何在 MedIA 工作流程的不同阶段中使用,从数据获取到模型预测和分析。此外,我们还包括了用于评估这些方法的基准数据集和应用,并分析了各种方法的优缺点,揭示了未来的研究机会。
Oct, 2023
使用特权信息(如肿瘤形状或位置)来预测光学相干断层扫描中内层视网膜流体的严重程度,使深度学习模型在超出分布数据上的分类准确率从 0.911 提高到 0.934,为其他需要泛化的医学问题的特权信息使用提供了一个强有力的起点。
Nov, 2023
医学图像分析(MedIA)作为计算机辅助诊断系统中的关键工具,近年来随着深度学习(DL)的进步而崭露头角。然而,当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降,即域偏移问题。针对这一问题,医学图像域泛化(DG)旨在通过在未知数据分布中有效泛化和鲁棒地执行,解决域偏移挑战。本文对该领域的重要发展进行了综述,包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后,我们从数据操作、特征表示和模型训练三个角度总结了最近的方法,并详细介绍了每个角度的一些算法。此外,我们介绍了常用的数据集。最后,我们总结了现有文献,并提出了一些未来的潜在研究课题。为了支持此次调研,我们还创建了一个 GitHub 项目,收集了相关资源,链接为:https://this-URL-github-project
Feb, 2024
本篇论文提出了一种基于模型的域泛化方法,通过对数据生成过程和同变性条件的建模,将域泛化问题转化为一个无限维的有约束统计学习问题,并利用非凸对偶理论发展了有约束松弛的统计问题,提出了具有收敛保证的域泛化算法,并在 ColoredMNIST,Camelyon17-WILDS,FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。
Feb, 2021
通过最大化预训练模型的互信息来重新建立目标函数,以解决领域转移在医学成像领域的问题,并在糖尿病视网膜病变分类中得到了稳定且优于先前最先进方法的结果。
Sep, 2023
本研究在医学成像中提供了多源、多目标域适应和泛化问题的强大基准,通过使用 10 个不同胸透数据集的多样性集合,我们实证演示了在训练医学成像深度学习模型应用于不同病人群体的好处,以用于样本外的域泛化。
Apr, 2019
近年来,我们不断发展了大量用于医学图像分析的深度学习模型,但仍然存在诸多挑战,如模型泛化性能、性能下降原因和如何克服性能下降等。本研究回顾了基于深度学习的分类模型的泛化方法,并讨论了未来的挑战,包括改进评估协议和基准以及实现稳健、泛化的医学图像分类模型的未来发展。
Mar, 2024
当前医学图像分析的机器学习方法主要集中在为特定任务开发定制模型,利用其目标域内的数据。最近,提出了基础模型,它结合了来自各种领域的数据,并展现出出色的泛化能力。本研究在此基础上引入了多领域医学图像的结合,包括不同的成像方式如 X 线、MRI、CT 和超声图像,以及各种视角如轴位、冠状位和矢状位。我们称之为多领域模型,并将其性能与特定模型进行了对比。研究结果强调了多领域模型在数据有限和常遇到的超出分布情况下的优越泛化能力,尤其在医疗应用中。多样数据的整合使多领域模型能够利用跨领域的共享信息,显著提高整体结果。举例而言,在器官识别方面,与传统专用模型相比,多领域模型的准确性可以提高 10%。
Oct, 2023