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
通过 QMix 噪声学习框架,在混合噪声下学习出一种鲁棒的疾病诊断模型,能有效处理医学图像数据集中的噪声,提高对混合噪声的稳健性和泛化能力。
本论文提出了一种新的多元元模型量化方法,能够有效地学习元注释和利用有意义的特征以处理医学可视问题回答任务中的数据限制问题。实验表明,该方法不需要外部数据即可训练元模型,并且在两个公共医学 VQA 数据集上得到比其他现有方法更为准确的结果。
May, 2021
利用深度神经网络模型和大规模数据集进行预训练,结合不确定性损失函数和弱监督,能够实现在使用非常有限的注释数据的情况下,取得与最先进方法相媲美的分类结果。
Sep, 2023
本文提出了一种质量嵌入模型,通过将质量变量嵌入到不同的子空间中,有效减小了噪声对标签的影响,并提出了一个对抗加性噪声网络模型(CAN)用于训练分类器,现有实验数据显示 CAN 在多种噪声图像数据集上优于深度学习等现有方法。
Nov, 2017
本文提出了一种基于深度元学习的无参考图像质量评估指标,通过收集多种失真的图像任务,在元学习的基础上,学习人类评估图像质量时所共享的元知识,以适应未知的失真,进而优化质量先验模型,进行目标无参考图像质量评估,结果表明这种方法优于现有技术,并且所学习的元模型还可轻松推广到真实 - world 应用中。
Apr, 2020
本文提出了一个基于元学习的弱监督分割方案,并在医学成像领域进行了实验和对不同范例的比较分析,研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果,而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。
May, 2023
本文旨在提高元学习以用于分类皮肤镜图像,通过使用少样本学习(few-shot learning)和元学习方法,实验结果表明,本文的方法能够显着提高皮肤镜图像的分类性能。
Oct, 2022
提出了一种新颖的基于嵌入的双查询多示例学习(DQ-MIL)流水线,使用动态元嵌入方法并将 MIL-attention 与相关自我关注相结合,该方法在三个组织学数据集中实现了较高的性能。
Jul, 2023
本文提出 MDNet,一种基于计算机视觉和自然语言处理的医学影像诊断模型,它可以自动阅读影像,生成诊断报告,并直接对症状进行图像检索,可视化诊断过程,实现端到端的优化训练,从而显著提高了在膀胱癌影像和报告数据集上的诊断准确率。
Jul, 2017