Sep, 2021

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于分段增强对比表示学习的医学报告生成

    通过医学图像分割（SAM）模型实现对器官、异常、骨骼等的分割，利用一种监督对比损失函数缓解数据偏差并提高医学图像报告的质量。实验证明所提模型在 IU X-Ray 公共数据集上表现出的卓越性能。

    Dec, 2023

  • 谱时对比学习

    无监督学习与对比学习相结合的时间对比学习方法（STCL）基于谱分析来构建损失函数，利用示例数据的线性探测表现来评估图的谱特性。

    Dec, 2023

  • 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

  • 半监督医学图像分割的多尺度交叉对比学习

    本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。

    Jun, 2023