Jan, 2023

BRAIxDet: 学习通过不完整注释检测恶性乳腺病变

PDF
TL;DR本文提出了一种使用不完全标注的乳腺 X 线照片数据集进行恶性乳腺病变检测 的弱监督和半监督学习算法，并在真实数据集上对其进行了检测实验研究，取得了最先进的检测结果。
malignant breast lesion detectionweakly- and semi-supervised learningincomplete annotationsmulti-view mammogram classifiersemi-supervised student-teacher learning
发现论文，激发创造
  • 有限标注数据下乳腺 X 光大片肿块分割的半监督和弱监督学习

    我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

    Mar, 2024

  • 逼近实际环境下乳腺 X 线片弱监督学习的乳腺癌预测

    自动提前检测乳腺癌的方法可以显著降低死亡率，但由于太多的限制条件，这些方法在医院中的普及目前受到阻碍。本研究通过两个公共数据集和一个自有数据集的研究，在现实临床环境中应用了两级多实例学习方法，通过弱监督学习在病例级别进行乳腺癌预测，为所有患者提高预测准确性，尤其需要关注无监督 ROI 提取的研究。

    Oct, 2023

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 基于文本引导的医学图像癌症检测增强

    利用临床报告来实现弱标签监督学习以提高癌症检测的准确性。通过将诊断和肿瘤位置文本提示整合到视觉语言模型的文本编码器中，可以有效地在视觉语言模型的潜在空间中进行弱监督学习的优化，从而提高训练的稳定性。在大规模癌症数据集上的广泛数量实验结果验证了我们的方法可以将人工标注工作量减少至少 70%，同时保持与竞争的全监督方法相当的癌症检测准确性（AUC 值 0.961 vs 0.966）。

    May, 2024

  • 通过探索性训练解决通用病变检测任务中的不完整标注问题

    通过引入创新的探索式训练方法，结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练，我们提出的框架在两个医学图像数据集上展现了卓越的性能，超越了现有最优方法。

    Sep, 2023

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 利用单图生成模型减轻癌症分类中的注释偏移

    通过模拟、分析和减轻乳腺钼靶癌症分类的标注偏移，开发了一种高准确性的癌症风险预测模型，并提出了基于单一图像生成模型的训练数据增强方法，以显著减轻标注偏移。同时，通过多个模型训练一种集成架构进一步提高性能。

    May, 2024

  • 稀疏标签分配的深度多实例网络用于乳腺 X 线照片整体分类

    通过使用深度多实例网络对乳腺摄影进行分类，本文成功地实现了对乳腺癌进行计算机辅助诊断，消除了传统方法中昂贵的手动标注和特定计算模型的需要。该文在 INbreast 数据集上开展的实验结果表明，所提出的深层网络相对于先前使用分割和检测注释进行训练的工作具有更好的鲁棒性。

    Dec, 2016

  • 使用异构和部分标签的多数据集学习，实现 CT 通用病变检测

    该研究旨在开发一种通用的病变检测算法，通过利用粗略标注和临床知识，在多个异构数据集上进行训练，实现在多种病变类型下的准确检测。

    Sep, 2020

  • 无需手动标注的肺部 CT 图像囊肿自动检测与分割

    介绍了一种利用深度学习技术对肺部 CT 图像中的囊性病变进行检测和分割的自学习算法，从而实现无需手动注释和少量专家技能即可进行较为准确的分割。

    Jan, 2018