医学图像分类的隐私保护受限领域泛化
本文提出了一种简单而有效的方法来提高医学成像分类中深度神经网络的泛化能力,该方法通过使用新的线性依赖正则化项进行变分编码学习代表性特征空间,以捕获从不同领域收集的医学数据之间的可共享信息。实验结果表明,与现有方法相比,我们的方法可以实现更好的跨领域泛化能力。
Sep, 2020
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
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
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)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
本文提出了一种用于医学图像领域通用性问题的 Deep Stacked Transformations (DST) 方法,并通过对三种任务的测试表明,DST 模型对于未曾接触的数据集性能的下降仅有 11% 左右,可更好地应对图像域的差异,因此可以在更临床上的任务中发挥作用。
Jun, 2019
本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法,通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力,实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。
May, 2023
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
通过结合多层和多尺度的特征,利用深度卷积神经网络来提高图像分类器的领域泛化能力,并提出了一种新颖的目标函数,使用对比学习的方法约束提取的特征在分布转移下保持不变,实验证明该方法在多个数据集上均表现出与之前方法相比更好的性能。
Aug, 2023