通过内容感知的风格不变框架学习跨领域通用的胸部X光疾病检测

Feb, 2023

通过内容感知的风格不变框架学习跨领域通用的胸部X光疾病检测

Learning to Generalize towards Unseen Domains via a Content-Aware Style Invariant Framework for Disease Detection from Chest X-rays

HTML

PDF

Mohammad Zunaed, Md. Aynal Haque, Taufiq Hasan

TL;DR提出了一种针对医疗图像分析中源域不匹配问题的新框架，该框架采用风格随机化模块和内容一致性正则化，旨在提取既与病理特异性有关、同时又具有域不可知特性的高级语义特征。在未经训练的测试数据集上的广泛实验表明，该方法更加健壮，达到了最先进的性能水平。

Abstract

Performance degradation due to source domain mismatch is a longstanding challenge in deep learning-based medical image analysis, particularly for chest x-rays. Several methods have been proposed to address this <

发现论文，激发创造

学习阅读胸部X光片：基于循环神经级联模型的自动图像注释

本文介绍了一种利用深度学习模型进行图像内疾病检测和标注的方法，通过采用卷积神经网络和循环神经网络进行训练，可以有效提高图像注释结果的准确性。

Mar, 2016

基于语义感知的生成对抗网络在胸部X光分割的无监督领域自适应中的应用

通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部X光公共数据集进行左/右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

Jun, 2018

医学影像领域自适应和泛化的有力基础

本研究在医学成像中提供了多源、多目标域适应和泛化问题的强大基准，通过使用10个不同胸透数据集的多样性集合，我们实证演示了在训练医学成像深度学习模型应用于不同病人群体的好处，以用于样本外的域泛化。

Apr, 2019

深度挖掘外部不完美数据用于胸部X光疾病筛查

本文提出了一种用于Chest X-ray的多标签分类深度学习框架，通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练，处理多个数据集之间的差异性，提高了分类准确度。在三个数据集上实验，AUC达到了0.8349，表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。

Jun, 2020

基于因果推断的医学图像分割单源领域泛化

本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

Nov, 2021

CheXplaining in Style: 使用StyleGAN进行胸透的反事实解释

探索使用对抗性样本阐述来理解医疗图像诊断中深度学习模型的决策机制。

Jul, 2022

ConDiSR：单域泛化的对比解缠和风格规范化

医学数据在分布上经常发生变化，这会导致采用标准监督学习流程训练的深度学习模型在测试时性能下降。本研究介绍了一种新的医学图像分类的单域泛化方法，它利用了通道间的对比解缠绕，并通过基于重构的样式正则化进一步增强了独立的样式和结构特征表示的提取。我们将该方法在多中心组织病理图像分类的复杂任务上进行了评估，与最先进的单域泛化基线进行了比较。结果表明，我们的方法在平均准确率上超过了最先进的方法1％，同时表现更稳定，突显了在分类任务背景下探索单域泛化框架的重要性和挑战。

Mar, 2024

通过从X射线专家模型中提炼知识来引导胸部CT图像理解

利用自然语言作为有限可用的数据集辅助胸部CT图像理解并通过对比学习技术提高模型的性能。

Apr, 2024

医学图像中的域泛化复杂风格转换

本文介绍了一种名为CompStyle的新型框架，利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布，以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能，而无需额外的培训时间或资源。

Jun, 2024

利用文本概念解释胸部X光病理模型

本文提出了利用已有的视觉-语言模型(Visual-Language Model, VLM)联合嵌入空间的概念对立解释来解释黑盒分类器结果的方法，无需注释的数据集。通过利用胸部放射学报告中的文本概念和基于胸部放射学的预训练VLM，解释了三种常见的心胸病理，证明了我们的方法生成的解释在语义上是有意义的，忠实于潜在的病理。

Jun, 2024