Nov, 2020

USCL：通过视频对比表示学习预训练深度超声图像诊断模型

PDF
TL;DR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。
deep neural networksultrasound medical image analysisus semi-supervised contrastive learningpretrainingpocus dataset
发现论文，激发创造
  • 图像 - 文本 - 标签空间统一的对比学习

    该研究提出了一种新型的学习范式 - 统一对比学习（UniCL），通过将人类标注的图像标签数据和网络爬取的图像文本数据相结合，学习出在零样本，线性探测，完全微调和迁移学习方案中具有语义丰富而有区分性的表示。在各种基准测试中，UniCL 的性能均优于语言图像对比学习和监督学习方法，并且在纯图像标签数据上，其表现也不亚于监督学习方法。

    Apr, 2022

  • 利用连续提示进行医学影像 - 文本 - 标签联合对比学习

    本文提出了一种基于连续提示的统一图像 - 文本 - 标签对比学习框架，从数据统一性，多样性和假阴性样本等方面解决了医学图像对比学习中的的挑战，并在多个下游任务中展现出了出色的表现。

    Jul, 2023

  • 多层非对称对比学习用于医学图像分割预训练

    提出了一种名为 JCL 的新型不对称对比学习框架，用于医学图像分割的自监督预训练，多级对比损失设计确保了编码器和解码器在预训练期间可以学习到多级表示，实验证明该框架优于现有的对比学习策略。

    Sep, 2023

  • UniCL：大型时间序列模型的通用对比学习框架

    UniCL 引入了一种通用的和可扩展的对比学习框架，用于预训练时间序列基础模型，跨领域数据集验证了 UniCL 在各个领域的高泛化性能。

    May, 2024

  • 面向胎儿超声的解剖感知对比表示学习

    本文提出一种结合解剖学特征的对比学习方法，在不使用标注数据的情况下可从医学图像数据中学习出传递效果良好的视觉表征，具有在胎儿超声成像任务中的卓越表现并优于 ImageNet 监督学习和当前基于对比学习的最新方法。

    Aug, 2022

  • 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

  • 前向 - 前向对比学习

    该研究论文提出了一种基于前向前向对比学习的图像分类预训练方法，通过将前向算法与对比学习结合，可以构建出更加具有鲁棒性的分类模型，实验结果表明该方法可以取得比现有预训练模型更加出色的分类性能。

    May, 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

  • 多器官自监督对比学习用于乳腺病变分割

    利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

    Feb, 2024

  • 一种面向临床的多层次对比学习方法用于低质量医学图像疾病诊断

    提出了一种临床导向的多级对比学习框架，旨在增强模型提取病变特征和区分病变与低质量因素的能力，从而能够更准确地诊断低质量医学图像的疾病。

    Apr, 2024