Jan, 2023

探索 X 光胸片双子表示学习的图像增强技术

PDF
TL;DR本研究采用孪生网络对三个大型医学数据集上的胸部 X 光片进行异常检测，系统评估了不同数据增强方法对于自监督学习中所学表示质量和鲁棒性的影响，最终确定了一组能够在抗干扰性和泛化性上优于传统模型的最佳增强方法。
发现论文，激发创造
  • 基于 GAN 的胸部 X 光分类数据增强

    本文探讨了在医疗领域电脑视觉技术中普遍存在的数据样本数量不足和分类失衡的问题，并通过使用生成对抗网络技术来增强数据集以改善网络性能，结果表明这种方法适用于低数据的情况，是值得进一步研究的领域。

    Jul, 2021

  • 合成增强：揭示合成数据在医学影像研究中的潜力

    使用扩散模型的合成数据补充对胸部 X 射线影像（CXR）分析中深度学习（DL）分类器性能的影响进行了研究，评估了内部和外部数据集上分类器的性能，结果表明合成数据补充可以增强模型准确性，尤其是在检测罕见病变方面。然而，尽管结果有希望，真实数据的优越性仍然存在。

    Nov, 2023

  • 从放射科医师的注视中学习更好的对比视图

    提出了一种基于医学专家注意力的新型数据增强方法 FocusContrast，它考虑疾病相关的异常信息，通过模仿医学专家的视觉注意力生成对比视图，可在膝关节 X 射线数据集的分类准确性上比现有的自监督学习方法如 SimCLR，MoCo 和 BYOL 提高了 4.0 ~ 7.0％。

    May, 2023

  • 基于 GAN 的增强对深度学习 COVID-19 图像分类性能的影响

    该研究使用 StyleGAN2-ADA 和传统图像变换等方法对 COVID-19 胸部 X 射线图像进行了数据扩充，并进行了多类别分类问题的研究，结果表明以传统图像变换为基础的数据扩充方法更加适合该数据集。

    Apr, 2023

  • 不平衡数据下的 COVID-19 胸部 X 射线分类的少样本学习：一项领域内外研究

    通过应用 Siamese 神经网络和一系列技术，研究医学图像数据集对少样本学习和数据不平衡的影响，提出了解决数据稀缺和分布不平衡问题的方法，并对不同分类器在准确性上进行了评估和比较。

    Jan, 2024

  • 用非专家注释增强胸部 X 射线图数据集

    通过非专家标注从自由文本医疗报告中提取自动注释，扩大训练数据集，以增加机器学习算法在医学图像分析中的进展，并比较非专家标注与专家标注的一致程度。

    Sep, 2023

  • MLVICX：胸部 X 光自监督表示学习的多层方差 - 协方差探索

    利用 MLVICX 来增强自监督胸部 X 射线数据的表现力并取得 3% 以上的性能提升。

    Mar, 2024

  • 分析医学图像的数据增强方法：超声图像案例研究

    该研究分析了不同数据增强技术对乳腺超声图像中乳腺病变分类的有效性，评估了研究结果在多个数据集上的普适性，并展示了某些增强技术比其他技术更为有效，并且它们的使用能够显著提高分类性能。

    Mar, 2024

  • 基于混合卷积神经网络 - 变换器架构的胸部 X 射线疾病计算机辅助诊断

    通过将 DenseNet121 卷积神经网络与自注意力机制相结合的 SA-DenseNet121 模型，可以在胸部 X 射线中识别多种胸部疾病，并在诊断工作流程中提供支持，改善效率并减少诊断错误。

    Apr, 2024

  • CheXphoto：用于深度学习鲁棒性基准测试的 10,000 多张胸部 X 光片及变换

    使用智能手机拍摄胸部 x 线照片并对其进行自动化解释需要可靠的算法。为了解决这个问题，我们介绍了一个基于 CheXpert 数据集的 CheXphoto 数据集，该数据集包含了智能手机拍摄的照片和经过合成变换的数字 x 线照片，旨在测试和提高深度学习算法对智能手机照片的鲁棒性。

    Jul, 2020