Few-Shot 弱监督医学图像分割的元学习器
基于系统回顾,本文阐述了少样本学习在医学影像识别中的广泛应用,特别是基于元学习的方法,该方法可以克服数据稀缺问题,适应少标注样本,并且常用的技术是监督学习和半监督学习,主要应用领域集中在心脏、肺和腹部等部位。
Sep, 2023
该研究提出了一种基于元学习的新框架 MetaSegNet,通过全局和局部特征分支,在元学习中提取少样本语义分割的适当元知识,并将线性模型集成到 MetaSegNet 中,以实现一次性精确地多目标分割。实验结果表明,该方法在 K 路少样本语义分割任务中表现出良好的效果。
Nov, 2019
通过研究 meta-learning 和鲁棒性技术在基准文本和医学数据上的应用,我们发现 meta-learning 是基于文本的数据的合适框架,具有更好的数据效率和与 few-shot 语言模型可比的性能,并且可以成功地应用于医疗笔记数据,同时与 DRO 结合的 meta-learning 模型还可以提高疾病编码的最坏情况损失。
Dec, 2022
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
通过自抽样元 SAM(SSM-SAM)框架,本研究提出了一种快速在线适应的医学图像分割方法,通过设计三个关键模块,包括在线快速梯度下降优化器、自抽样模块和针对医学少样本学习的强大的基于注意力的解码器,能够在医学图像分割的少样本任务中显著提高分割效果。
Aug, 2023
本文提出了一种元学习的方法,通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型,来解决显微镜图像中的细胞分割问题。实验表明,使用标准分割神经网络体系结构,1 到 10 个数据样本的元学习结果有很好的表现。
Jun, 2020
本文提出了一种利用元标签注释的对比学习方法,用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释,并采用自适应学习方法消除噪声标签,实验结果表明这种方法在几个数据集下表现优异。
Jul, 2021
应用于医学成像等关键领域的深度学习模型使用受限的训练数据,我们提出了一种策略来提高在低数据情况下训练的模型的性能和泛化能力。通过预训练和元微调,本方法通过在元训练中暴露模型于更具挑战性的分类任务,进而在元测试中对更具临床相关性但更容易的任务进行评估,以增强模型的泛化能力。该方法在两个不同的医学任务上进行了实验证明了其有效性,并在评估数据的分布变化时保持了竞争力。
Mar, 2024
本文针对少样本语义分割任务提出一种基于元类记忆的新方法(MM-Net),引入可共享的元类概念(例如某些中间级特征),以显式地学习少样本分割任务中的元类表示,对于 $k$-shot 场景,我们还提出了图像质量测量模块来选择支持图像,最后在 PASCAL-$5^i$ 和 COCO 数据集上验证实验表明我们的方法能够在 1-shot 和 5-shot 设置下均获得最新的最好成绩。特别地,我们的 MM-Net 在 1-shot 设置下在 COCO 数据集上获得 37.5%的 mIoU 分数,比之前的最新成果高出了 5.1%。
Aug, 2021