Apr, 2023

皮肤镜皮肤癌数据集中的领域转移：对临床转化的基本限制的评估

PDF
TL;DR该研究探讨卷积神经网络应用在皮肤镜皮肤癌分类等临床任务时的泛化能力不足问题，并针对不同来源、不同照明条件等影响因素，通过对 ISIC 图像库中图像元数据进行分类，生成包括这些影响因素的数据集，体现数据集间的 “domain shifts”，为评估皮肤癌分类器的泛化能力提供支持。
convolutional neural networksdomain shiftsdermoscopyskin cancer classificationunsupervised domain adaptation
发现论文，激发创造
  • 减轻皮肤病变分类中域漂移的影响：基于显微镜图像的无监督域适应方法的基准研究

    深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的 AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤 - 痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

    Oct, 2023

  • 深度学习在组织病理学中的领域转移研究

    该论文研究了卷积神经网络在组织病理学中用于肿瘤分类的应用，分析了数据增强和归一化对模型性能和表示学习的影响，提出了衡量模型领域差异距离的新方法，结果表明训练数据的准备对学习结果有很大影响。

    Sep, 2019

  • 深度学习模型的诊断能力可信吗？胸部 X 光分类中领域偏移的影响

    本文通过评估胸部放射照相图像数据集中的移域偏移，考察不同数据集在深度学习模型的训练和测试中的性能差异，并证明在 CheXpert 和 MIMIC-CXR 数据集上训练的模型更能够在其他数据集上实现更好的泛化。

    Sep, 2019

  • 数字病理图像的自适应域泛化

    研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。

    May, 2023

  • 用完全卷积神经网络检测临床皮肤镜特征

    本研究提出了一种基于全卷积神经网络的方法，将临床显微镜图像中的皮肤病变区域分割出来，利用该方法可以有效地探讨临床皮肤显微镜特征识别问题，并在 ISIC-ISBI Part 2 比赛中取得了显著的优异表现。

    Mar, 2017

  • 救援领域转变的医疗图像自动诊断中的转诊失败

    对领域转变的医学图像中的可靠自动疾病诊断中的转诊存在重要挑战，并找到了关键应用。

    Nov, 2023

  • 使用卷积神经网络的多发性硬化症病变分割中的一次性领域适应

    这篇研究分析了针对多发性硬化症患者图像的自动白质病变分割方法的卷积神经网络方法，重点研究了领域适应性对准确性的影响，并评估了在新领域中需要重新训练的最小图像数量和最小图层数量以获得可比较的准确性。

    May, 2018

  • 基于照明的变换改进皮肤镜图像中的皮损分割

    本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了 RGB 图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了 12.02%、4.30% 和 8.86% 的平均 Jaccard Index 提升。

    Mar, 2020

  • 走向新类型发现：新皮损聚类研究

    提出一种基于已知类别知识自动发现皮肤镜图像数据集中新语义类别的新颖类别发现框架，借助对已知类别知识的学习，采用对比学习和多视角交叉伪监督策略来建立特征表示，并通过众包和本地样本相似性聚合来改进模型的聚类性能。在 ISIC 2019 皮肤科数据集上进行广泛实验，结果表明，该方法能够有效利用已知类别知识发现新的语义类别。

    Sep, 2023

  • (去) 构建皮肤病变数据集上的偏差

    本文针对现有的皮肤病例资料集中的偏见问题，提出一系列实验，发现机器学习模型在没有临床有意义信息的情况下可以正确分类皮肤病变图像，这强烈暗示了伪相关性引导模型。通过本次实验，揭示了模型在小型数据集中训练和评估的局限性，为未来的模型指导提供了参考。

    Apr, 2019