May, 2022

自监督下的稳健高效医学影像

PDF
TL;DR本文提出了 REMEDIS，采用大规模监督式迁移学习和自监督学习的通用结合方式，用于改善医学图像 AI 的鲁棒性和数据效率，并在各种医学成像任务中展示了显著的表现，说明 REMEDIS 可以加速医学成像 AI 的生命周期，从而有助于医学成像 AI 产生广泛的影响。
medical artificial intelligencedata-efficient generalizationrepresentation learningmedical imaging airemedis
发现论文，激发创造
  • 向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

    自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

    Nov, 2023

  • 大型自监督模型推进医学影像分类

    本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性，使用领域特定的无标签医学图像进行自监督学习，并引入一种新颖的多实例对比学习 (MICLe) 方法，为医学图像分析中的皮肤病和胸部 X 光分类任务提供了更为准确的预测。

    Jan, 2021

  • 自我监督的共同学习：对未加工的医疗影像和报告进行处理，实现放射学 AI 监督

    该研究介绍了一种适用于医学领域的自我监督视觉语言预训练模型 Medical X-VL，展示该模型在医学领域的视觉语言任务中的超越性能，并证明了在新疾病诊断和监测人类错误等方面，Oversight AI 具有广泛的应用潜力。

    Aug, 2022

  • 通过合成医学影像进行分类和定位的快速训练数据创建

    通过我们提出的方法，可以使用生成的数据训练任何深度神经网络来解决医学图像分析领域中数据不足和专家标注难题，从而提高地位监督模型和强监督模型的准确性。

    Aug, 2023

  • 自我监督预训练方法比较：基于胸部射线图像的疾病风险预测

    本文针对医疗影像任务，通过对自我监督和半监督学习等多种方式进行比较，研究发现半监督自编码器在预测胸部 X 光成像下的死亡风险方面具有更好的性能。

    Jun, 2023

  • 一种动态训练和适应深度强化学习模型于不同、低计算及不断变化的放射学部署环境的框架

    本文提出了三种图像压缩和去噪算法，以便将这些模型用于选择性体验重演的终身强化学习。经过测试，最大熵图像核心得到了最佳性能。

    Jun, 2023

  • 非完全监督：医学图像分析中的半监督、多实例和迁移学习调查

    机器学习在医学影像领域取得显著进展。针对缺少标注数据，我们总结介绍了如何使用半监督、多示例、迁移学习等学习方法，特别是针对诊断和分割任务。同时，我们探讨了这些学习方法之间的联系和未来的研究机会。

    Apr, 2018

  • 医学图像分析中的标签高效深度学习：挑战与未来方向

    本文调查了超过 300 篇最近的论文，提供了在医学图像分析中标签有效的学习策略方面最新进展的综合概述，并深入研究了标准的半监督、自监督和多实例学习方案，以及最近出现的积极的和注释有效的学习策略。此外，文章还具有独特的特点，详细分析了领域中的当前挑战，并提出了未来研究的潜在途径。

    Mar, 2023

  • 半监督和自监督学习在医学图像上的准确率与时间前沿

    对医学图像分类应用进行的研究表明，使用未标记的数据可以提高分类器的性能，通过自监督学习和半监督学习的方法，本研究在医学图像领域设计了一个基准测试，发现 MixMatch、SimCLR 和 BYOL 方法是强有力的选择，并提供适用于新医学任务的设置以及进一步搜索的方法。

    Jul, 2023

  • 通过图像和自由文本放射学报告之间的交叉监督实现广义放射图像表示学习

    该研究介绍了一种名为 REviewing FreE-text Reports for Supervision（REFERS）的交叉监督方法，该方法可以从放射学报告中获得免费的监督信号，并且优于现有的预训练方法，具有在放射科学中推广应用的潜力。

    Nov, 2021