Feb, 2021

MedAug: 利用患者元数据的对比学习提高胸部 X 光解释的表征能力

PDF
TL;DR该研究提出了一种利用患者元数据为医学影像选择正向对样本的方法，使用该方法选择出来的正向对样本可以在自我监督对比学习中提高下游任务的性能。最佳的正向对选择策略将来自同一病人，同一研究的图像从所有的位置进行捕获，使平均 AUC 增长了 14.4％。
self-supervised contrastive learningmedical imagespatient metadatapositive pair selectionpleural effusion classification
发现论文，激发创造
  • 通过对比学习提升自动胸部 X 射线诊断的公平性

    应用监督对比学习可以减轻胸部 X 射线诊断中的偏见，解决深度学习诊断方法中的公平性和可靠性问题。

    Jan, 2024

  • 通过图像图对比预训练学习泛化的医学图像表示

    通过医疗图片的图像 - 图对比学习框架，利用从放射学记录中自动提取的结构化报告知识图形，独特地编码了断开的图形组件，通过关系图卷积网络和 transformer 注意力机制，在对 CheXpert 数据集进行实验时，在 1% 线性评估和少样本情况下表现优于已有的图像 - 文字对比学习方法，并达到与放射科医生相当的性能；通过利用无标签的配对图像和文本，我们的框架展示了利用结构化的临床见解来增强医学图像的对比学习的潜力，这项工作为减少医疗专家的注释需求、提高诊断精度和推进健康病人护理提供了基础。

    May, 2024

  • 通过从 X 射线专家模型中提炼知识来引导胸部 CT 图像理解

    利用自然语言作为有限可用的数据集辅助胸部 CT 图像理解并通过对比学习技术提高模型的性能。

    Apr, 2024

  • 自适应对比学习在半监督医学图像分割中的应用 —— 基于元标签方法

    本文提出了一种利用元标签注释的对比学习方法，用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释，并采用自适应学习方法消除噪声标签，实验结果表明这种方法在几个数据集下表现优异。

    Jul, 2021

  • 医学视觉表征的对比学习：来自成对图像和文本

    使用自然组合描述文本，无需人工标注医学图像，通过双向对比目标的方法，使用 ConVIRT 进行预训练的医学图像编码器，将与医学图像配对的文本数据结合起来，极大地提高了数据使用效率。

    Oct, 2020

  • 胸部 X 光报告生成的弱监督对比学习

    本篇论文提出了一种弱监督的对比损失方法，用于提高放射学报告生成的文本质量，实验结果表明该方法在两个公共基准数据集上在临床正确性和文本生成指标方面优于以前的工作。

    Sep, 2021

  • 从放射科医师的注视中学习更好的对比视图

    提出了一种基于医学专家注意力的新型数据增强方法 FocusContrast，它考虑疾病相关的异常信息，通过模仿医学专家的视觉注意力生成对比视图，可在膝关节 X 射线数据集的分类准确性上比现有的自监督学习方法如 SimCLR，MoCo 和 BYOL 提高了 4.0 ~ 7.0％。

    May, 2023

  • 合成特权信息增强医学图像表示学习

    通过合成生成配对信息，我们证明了在医学图像分析中，与单模态（误差减少高达 4.4 倍）或真实多模态配对数据集（误差减少高达 5.6 倍）相比，表示学习可以得到显著改进。

    Mar, 2024

  • 利用时间相关的医学影像进行对比学习：以胸部 X 光肺部分割为例的案例研究

    本研究提出了一种名为 CL-TCI 的对比学习框架，与 MoCo 和 SimCLR 两种方法相结合，利用医学图像中的时间相关性信息，成功地使得在三个胸部 X 射线数据集上的肺部分割结果优于没有任何时间相关性的对比学习基线。

    Sep, 2021

  • 基于位置的对比学习用于体积医学图像分割

    文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

    Jun, 2021