Jun, 2022

基于先验的胶囊内窥镜图像分类：在少量样本情况下提高模型泛化能力的一种方法

PDF
TL;DR通过使用领域先验知识作为先决条件来学习更强大和可推广的表示，我们实验表明，域优先可以通过代理标签的方式使表示受益，从而显着减少标记要求，同时仍使完全无监督但病理感知学习成为可能，建立了病理分类和跨数据集推广的新基准。
deep learningautomated diagnosiswireless capsule endoscopydomain priorspathology classification
发现论文，激发创造
  • 借鉴 Zoom：解耦有监督对比学习用于 WCE 图像分类

    通过解决微小病变和背景干扰等挑战，以及利用放大增强器生成放大后的 WCE 图像从而学习鲁棒表示，我们提出了一种用于 WCE 图像分类的去耦合监督对比学习方法。训练一个线性分类器来使用这些表示，在仅 10 个 epoch 内取得了惊人的 92.01％的整体准确率，超过了前一最先进方法 0.72％，基于两个公开可访问的 WCE 数据集。

    Jan, 2024

  • 基于语义地图引导的扩散模型，合成无线胶囊内窥镜图像

    通过利用扩散模型（DM）生成多样化的胶囊内窥镜（WCE）图像，我们的研究采用视觉检查和视觉图灵测试评估方法，证明了该方法在生成逼真且多样化的 WCE 图像方面的有效性。

    Nov, 2023

  • 将因果和非因果解释相结合，生成胶囊内镜下疾病进展

    本研究提出了一种统一的解释方法，结合了模型依赖和不依赖的解释，用于给定实例的自动决策，生成一组解释。通过无线胶囊内窥镜，验证了该方法的有效性。

    Dec, 2022

  • 通过引导学习：内窥镜图像分类的知识蒸馏

    内窥镜在识别胃肠道的潜在异常方面起着重要作用。最近，深度学习，特别是卷积神经网络（CNNs），在胃肠道内窥镜图像分析方面报道了显著的优势。然而，现有的模型大多关注性能的提高，缺乏开发在资源有限环境中运行的轻量级模型的重点。我们通过三种基于知识蒸馏学习框架进行研究，并引入了一种新颖的基于多头注意力的特征融合机制来支持基于关系的学习。在两个广泛使用的公共数据集 KVASIR-V2 和 Hyper-KVASIR 上进行了广泛的评估，实验结果表明了我们提出的基于关系的框架在实现资源有限环境中运行的改进轻量级模型（仅有 51.8k 可训练参数）方面的优点。

    Aug, 2023

  • 采用带类别感知损失的知识蒸馏进行内窥镜疾病检测

    本文提出了一个利用深度学习来改善诊断失误率的框架，针对胃肠道癌症的诊断，利用端到端的师生学习方式，采用多类别学生网络来利用训练过的师范模型的类别概率，从而提高困难检测病变的定位并最小化漏检率，模型在两个数据集上都实现了更高的 mAP，并且具有泛化性。

    Jul, 2022

  • LLCaps: 带有曲波小波注意力和反向扩散的低照度胶囊内窥镜的学习

    本文提出了一种基于多尺度卷积神经网络和反向扩散过程的无线胶囊内窥镜低光图像增强框架，并将其与十种现有 LLIE 方法进行比较，表明该模型具有明显的性能优势和临床潜力。

    Jul, 2023

  • 自监督学习与复合预文本类别差异的 SSL-CPCD 方法，为内窥镜图像分析改善泛化性能

    本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了 4%、2% 和 3%。此外，我们还证明了我们的方法相对于所有 SOTA 方法具有更好的泛化性，我们的泛化性评估提高了近 7%。

    May, 2023

  • 数字病理学中的医院不可知图像表示学习

    本研究使用领域泛化技术改善深度神经网络的泛化能力，使其能够处理来自不同医院和实验室的 WSIs 和组织病理学影像集，结果表明使用该技术时，低维空间表示和分类准确性都有所提高。

    Apr, 2022

  • 领域特定预训练提高全切片图像分类的置信度

    该论文研究了域特定预训练模型对神经胶质母细胞瘤分类的影响和应用性，通过考虑目前最先进的多实例学习模型，CLAM 和 TransMIL，并评估模型的置信度和预测性能，表明域特定预训练有助于提高模型置信度并实现 WSI 基础的神经胶质母细胞瘤亚型分类的最新最佳性能。

    Feb, 2023

  • 领域偏移的教科书解决方案：医学图像分析的知识先验

    医学图像数据中，现有深度网络模型对于不同医院采样的数据或受性别、种族等人口统计变量影响的数据领域转移问题的鲁棒性不足。本研究提出了一种基于医学知识先验的知识增强瓶颈模型（KnoBo），通过检索增强语言模型，设计适当的概念空间，并采用自动训练过程来识别概念，以提高医学模型对领域转移的适应能力。在广泛的 20 个数据集上评估了不同知识资源和识别架构，在混淆数据集上，KnoBo 的性能平均超过精调模型 32.4%。最后，评估表明 PubMed 是使医学模型对领域转移的敏感性降低的有希望的资源，在信息多样性和最终预测性能上优于其他资源。

    May, 2024