Jul, 2022

利用无关先验知识的 Patch-level 实例组判别方法进行结肠炎评分

PDF
TL;DR本研究提出了一种新的自我监督学习方法，即 patch-level instance-group discrimination with pretext-invariant representation learning (PLD-PIRL)，通过该方法可以更准确、更稳健地检测肠炎患者黏膜炎症细微的变化，相较于基准监督学习网络和现有的一些自我监督学习方法，本方法表现出更好的准确性和鲁棒性。
inflammatory bowel diseaseendoscopic characterizationmayo endoscopic scoringdeep learning classificationself-supervised learning
发现论文，激发创造
  • 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

  • 溃疡性结肠炎 Mayo 内镜评分分类的主动学习和生成数据增强

    通过使用小型真实内窥镜图像数据集训练，生成大量合成样本，然后使用主动学习方法选择最有信息量的样本进行分类器训练的主动学习基于生成扩增方法，在公开可用的内窥镜图像数据集上展示了该方法的有效性，结果显示使用合成样本与主动学习相结合相比只使用原始标记样本的基线分类性能（68.1%）提高到了 74.5% 的 Quadratic Weighted Kappa (QWK) 评分，另一个观察结果是仅使用真实数据达到相同性能需要三倍的图像数量。

    Nov, 2023

  • 基于跨尺度注意力引导的多实例学习在克隆病病理图像诊断中的应用

    本文提出了一种新的跨度注意机制来聚合具有不同分辨率的图像中的特征，并生成不同分辨率的可视化结果来定位并解释可解释的损伤模式，该方法在 Crohn 病这种炎症性肠病的诊断中取得了优异的成果。

    Aug, 2022

  • 一种可解释的不平衡半监督深度学习框架，用于改善皮肤疾病的差异诊断

    本文介绍了应用 ISDL 多类智能皮肤诊断框架，利用 58,457 张皮肤图像和 10,857 张未标记的样本进行了可解释性和失衡半监督学习的第一项研究。我们的 ISDL 通过自我平衡训练实现，提高了少数类别的伪标注样本在每次迭代中的概率，进而推动了无标签样本的利用解决类别不平衡问题，实现了多标签皮肤疾病分类的 0.979 的准确率、0.975 的敏感性、0.973 的特异性、0.974 的宏平均 F1 分数和 0.999 的接收者操作特征曲线下面积（AUC）。结合 Shapley Additive Explanation（SHAP）方法，解释了深度学习模型的预测，这与临床诊断一致。我们还提出了一种采样分布优化策略，使用 ISDLplus 可以更有效地选择伪标注样本。此外，该研究有望缓解对专业医生所提出的压力，并帮助解决农村地区医生短缺的实际问题。

    Nov, 2022

  • 深度学习对胃肠黏膜问题进行分类

    胃肠道粘膜变化可导致癌症，在此研究中利用深度学习技术预测了 polyps（息肉）、ulcerative colitis（溃疡性结肠炎）、esophagitis（食管炎）、normal z-line（正常 z 线）、normal pylorus（正常幽门）、normal cecum（正常盲肠）、dyed lifted polyps（涂染抬起息肉）和 dyed lifted margin（涂染抬起边缘）等八类粘膜变化和解剖标志，作者采用卷积神经网络（CNN）结构的迁移学习（TL）模型，并通过与 VGG、Inception、Xception 和 ResNet 等不同 CNN 架构进行比较，最佳模型在测试图像中达到了 93% 的准确率，最后，作者将模型应用于一些实际内窥镜和结肠镜的影像数据进行问题分类。

    Jul, 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

  • 基于神经网络的溃疡性结肠炎组织学缓解预测

    通过基于内视镜技术的神经网络模型，我们开发了一个可以在溃疡性结肠炎的内视镜影像中区分组织学缓解 / 活动的特定神经网络模型，有助于加速临床组织学诊断。

    Aug, 2023

  • 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

  • 层次判别学习提高生物医学显微镜的视觉表达

    本文提出了一种名为 HiDisc 的自我监督对比学习框架，用于学习临床生物医学显微镜图像中肿瘤的高质量视觉表示，结果表明 HiDisc 预训练方法在癌症诊断和基因突变预测方面优于当前最先进的自我监督预训练方法，并且使用自然数据多样性学习高质量的视觉表达。

    Mar, 2023

  • 基于 H&E 染色图像的临床信息启发的多实例学习框架用于患者级别结直肠癌分子亚型分类的研究

    通过使用深度神经网络（DNN）和多示例学习技术（MIL），结合临床先验知识，构建了一个名为 “CIMIL-CRC” 的模型，用于鉴别结直肠癌的亚型，结果显示其在区分不同亚型及患者级别分类方面表现优异。

    Jan, 2024