May, 2023

食管癌与危及器官的自监督学习及其不确定性量化分割

PDF
TL;DR本研究旨在展示自我监督预训练模型在器官风险和肿瘤分割任务中相对于昂贵的全监督学习的影响，所提出的 MC-Swin-U 算法采用了蒙特卡罗变换器，与许多其他模型不同，其使用蒙特卡罗 Dropout 戳降低了不确定性，并在公共和私人数据集上进行了测试和验证， 相比大规模注释成本提供了附加收益，并且明显提高了分割评分。
发现论文，激发创造
  • Swin Transformer 自监督预训练用于三维医学图像分析

    本文介绍了一种自我监督学习框架，使用适合医学图像分析的代理任务，成功地在各种人体器官的公开可用的 CT 图像上预训练模型，并在医学分割基准数据集上进行了微调，实现了最先进的匹配结果。

    Nov, 2021

  • 多人标注的分割任务中的监督不确定性量化

    本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

    Jul, 2019

  • 有限数据注释的自监督 RCNN 用于医学图像分割

    本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

    Jul, 2022

  • 自我监督学习提高深度学习对 CT 图像差异的肺肿瘤分割的鲁棒性

    自我监督学习（SSL）是一种从无标签数据中提取有用特征表示并在有限标记样本的下游任务中进行精细调整的方法。本论文比较了基于自然数据和自我预训练的转换器模型在医学图像分析中的鲁棒性，发现自然预训练模型对肺肿瘤分割的 CT 图像差异具有更高的适应性，同时 Swin 架构从这种预训练中受益更多。

    May, 2024

  • 自监督训练与监督训练在器官样本图像分割中的比较

    数字显微镜中的自我监督学习对图像分割具有重要意义，采用了对预任务相似的无标签数据进行内在特征学习的方法，通过像素减少和图像模糊等增强技术，能够在相对较小和更大的数据集上优于传统的监督学习方法，得到更高的 F1 得分。

    Nov, 2023

  • 面向前列腺 MRI 分区分割的不确定性感知半监督学习

    本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

    May, 2023

  • 使用自监督预训练的十字形窗口变换器，在双参数磁共振成像中检测临床上显著的前列腺癌

    本研究通过引入自监督预训练框架，提出了一种全新的端到端 Cross-Shaped windows (CSwin) transformer UNet 模型，用于检测临床重要的前列腺癌症，通过在大量未标记的数据上进行学习，提高数据效率和网络的泛化能力，成功地提高了模型性能。

    Apr, 2023

  • 评估基于深度学习模型使用不确定性分数进行前列腺癌分割的性能

    比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

    Aug, 2023

  • 预训练变换器用于肺癌分割的可信度

    基于 670 个 CT 和 MRI 扫描，评估了两个自监督预训练的 Transformer 模型 Swin UNETR 和 SMIT 在肺肿瘤细分领域的可信度。模型表现出了较高的准确性和稳健性，并在不同领域的 CT 和 MRI 扫描中展现了良好的分割性能。研究结果有望在临床中指导当前和未来预训练模型的安全开发和应用。

    Mar, 2024

  • 自我监督的 TransUNet 用于儿童尺骨远端超声区域分割

    使用无标签领域特定数据进行自监督学习的方法在医学图像上产生了令人注目的效果，该论文研究了在儿童腕部超声扫描中使用 TransUNet 的口罩自编码器自监督学习 (SSL-MAE) 方法，用于分割骨骼区域，并发现改变嵌入和损失函数能够产生比原始 SSL-MAE 更好的下游结果。此外，通过实验发现，仅使用 SSL-MAE 对 TransUNet 进行预训练并不能与无 SSL-MAE 预训练的 TransUNet 在下游分割任务中取得相同效果。

    Sep, 2023