Nov, 2021

基于多风格和多视角对乳腺 X 光检测的领域泛化方法

PDF
TL;DR本研究开发了一种对深度学习模型进行增广的对比学习方案，通过多样性图片样式训练深度学习网络，可以提高深度学习模型的泛化能力，改进了乳腺摄影病变检测性能，胜过了许多先进的泛化方法。
发现论文，激发创造
  • 通过对比学习实现乳腺 X 光分析的领域泛化

    通过对来自多家厂商的乳房 X 线照片进行无监督自学习并使用对比学习的方法，提高深度学习模型对于不同风格的图片的概括能力。实验结果表明，该方法在两个公开数据集上均显著优于诸多目前最先进的预测方法。

    Apr, 2023

  • 朝向对侧双视图乳腺癌分析的稳健自然形态乳房 X 射线创伤综合

    近年来，许多乳腺 X 光摄影图像分析方法已被引入以改善癌症分类任务。本研究提出了两种主要问题的解决方案：利用多视图信息和处理类别不平衡问题。针对这两个问题，我们提出了简单而新颖的方法，通过利用辅助视图的低级特征信息，增强了主要视图，以学习包含癌症特征的高级特征，并提出了一种适用于上采样次要类别样本的恶性乳腺 X 光摄影合成框架，效果优于传统方法。

    Sep, 2023

  • 多尺度和多层次对比学习用于领域泛化

    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

  • 使用软标签的孪生网络在筛查乳腺 X 射线照片上进行无监督异常检测和裁剪预训练

    通过对比侧面乳房 X 射线摄影图像来训练神经网络，以实现全面无监督的方式区分异常病变和背景组织，从而实现乳房补丁分类任务中的卓越性能。

    Jan, 2024

  • 利用对抗训练和深度迁移学习进行黑色素瘤检测

    本文介绍了一种基于对抗训练和迁移学习的皮肤病变图像自动分类的两阶段框架。通过学习数据分布的内类别映射和利用图像翻译技术，我们能够在缺乏表征病变的样本中生成人工制造的少数不平衡训练样本。实验证明，所提出的方法优于几种标准的基线方法，并具备能够达到皮肤科医师专家水平的基于上下文的病变评估方法。

    Apr, 2020

  • 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

  • 癌症检测中的多模态医学影像深度学习调查

    通过深度学习，本文调查了逾 150 篇研究，主要关注使用深度学习的多模态癌症检测的数据集以及解决各种挑战的方案，如数据注释、类别差异、小规模损伤和遮挡等。同时概述了每种方法的优点和缺陷，并讨论了当前工作范畴以及未来多模态癌症检测的发展方向。

    Dec, 2023

  • MammoDG：泛化深度学习突破多中心交叉领域乳腺癌筛查的限制

    通过开发 MammoDG，一个新颖的深度学习框架，借鉴多视角乳房 X 光和一种新颖的对比机制以提高泛化能力，研究人员证明了领域泛化对于可靠的乳房 X 光分析中的重要性，突出了该方法的优越性。

    Aug, 2023

  • 多标签皮肤病变分类的自监督多模态学习

    通过最大化不同视角下的镜检和临床图像之间的相似性，聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。

    Oct, 2023

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024