ECCVAug, 2022

面向胎儿超声的解剖感知对比表示学习

PDF
TL;DR本文提出一种结合解剖学特征的对比学习方法，在不使用标注数据的情况下可从医学图像数据中学习出传递效果良好的视觉表征，具有在胎儿超声成像任务中的卓越表现并优于 ImageNet 监督学习和当前基于对比学习的最新方法。
self-supervised contrastive learningmedical imaginganatomy-aware contrastive learningfetal ultrasound imagingrepresentation learning
发现论文，激发创造
  • 无监督对比式视频 - 语音表征学习 —— 超声波应用

    本文提出了一种用于医学图像处理的自监督学习方法，该方法可以从多通道超声视频和相应的言语音频数据中学习有意义的图像特征，评价结果表明该方法可以用于标准平面检测和视线预测等向下流任务。

    Aug, 2020

  • 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

  • 自监督无监督学习超声视频特征表示

    本研究提出一种无需人类标记学习医学影像视频有意义且可迁移表示的自监督学习方法，利用无标记数据的解剖结构实现身体结构感知任务训练，并在胎儿超声视频上进行实验以表明该方法有效。

    Feb, 2020

  • 用器官感知对比蒸馏引导半监督医学图像分割的自举学习

    本文提出了 ACTION 模型，它是一种半监督医学图像分割的鲁棒性框架，通过 contrastive distillation 算法及主动采样罕见的负例像素达到了更好的分割效果，并且可以应对医学图像标记分布不均的问题。实验表明，ACTION 显著优于现有半监督方法的效果。

    Jun, 2022

  • USCL：通过视频对比表示学习预训练深度超声图像诊断模型

    通过使用 US-4 数据集进行直接预训练，提出了一种名为 USCL 的 US 半监督对比学习方法，以学习来自 US-4 的功能强大的特征，并在多项下游任务中取得超越 ImageNet 预训练和其他 SOTA 预训练方法的结果。

    Nov, 2020

  • 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

  • 挖掘自身解剖：重新审视极少标注下的医学图像分割

    本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

    Sep, 2022

  • 通过模拟超声医师的视觉注意力进行超声图像表示学习

    本文研究通过建立基于人类视觉注意的模型来学习图像的可转移表示，以取代直接学习类标签所造成的图像理解的简化。通过在超声视频中预测视觉显著性或注视点回归，利用卷积神经网络从注视数据集中学习视觉注意模型，并评估该模型在超声标准平面检测任务中的可迁移性。实验表明，在有限标记的场景下，微调视觉显著性预测器优于随机初始化，平均 F1 分数整体提高 9.6％，对于心脏平面提高了 15.3％。另外，该学习方法生成的表示发现是可靠的，在近乎监督的基准模型的精度上接近。

    Mar, 2019

  • 基于区域对比预训练的医学图像检索与解剖学查询

    本篇论文提出了一种基于区域的对比预训练方法 (RegionMIR) 来演示通过类似解剖区域进行医学图像检索的可行性，并在胸部 ImaGenome 数据集上获得 92.24% 到 94.12% 的分类精度的提升。

    May, 2023