May, 2023

临床标记的对比度学习用于 OCT 生物标志分类

PDF
TL;DR该文介绍了一种基于临床数据提取标签的医学图像对比学习的新型正负集选择策略，该策略利用临床数据作为伪标签来选择训练网络的正负实例，以便从 OCT 扫描中直接分类疾病的关键指标，同时提出了一种使用临床对比损失的线性组合方法，并在不同颗粒度的生物标记物设置中与最先进的自监督方法进行基准测试，表现提升达 5％的总生物标记检测 AUROC。
medical imagescontrastive learningclinical labelsbiomarker labelsoptical coherence tomography
发现论文，激发创造
  • 基于深度学习的 OCT 图像聚类用于年龄相关性黄斑变性生物标记的发现（Pinnacle 研究报告 4）

    通过对大规模视网膜光学相干断层扫描图像进行深度学习，我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现，此系统超越了已建立的临床分级系统所使用的标志物集合，为进一步发现新的预后性生物标志物提供了可能。

    Mar, 2024

  • 一种面向临床的多层次对比学习方法用于低质量医学图像疾病诊断

    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

  • 自适应对比学习在半监督医学图像分割中的应用 —— 基于元标签方法

    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

  • 利用自监督对比学习和光学相干断层扫描术进行针刺过程中的组织分类

    提出了一种基于深度神经网络的方法，通过对针尖处复杂 OCT 信号的相位和强度数据进行分类，辅助医生在针的插入过程中对组织结构进行识别，并且使用对比预训练技术将同位的数据映射到不同的表示，从而在受限标记数据集的情况下提高分类的精度。在仅使用 10% 的训练集时，使用该技术可以将模型的 F1 分数从 0.60 提高到 0.84。

    Apr, 2023

  • 基于位置的对比学习用于体积医学图像分割

    文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

    Jun, 2021

  • GCL：基于梯度引导的医学图像分割与多视角元标签的对比学习

    通过提出的 Gradient Mitigator 方法，我们解决了梯度引导的方式下不相容的多角度元标签之间的 “语义矛盾” 问题，并开发了一种名为 Gradient Filter 的新方法，根据梯度幅度动态筛选具有最具区分性能量的像素对，从而使得经过预训练的模型实现更好的高级语义识别能力。综合实验验证了我们的新方法 GCL：（1）学习了信息丰富的图像表示并显著提高了使用有限标签的分割性能，（2）在分布不一致的数据集上展示了良好的泛化能力。

    Sep, 2023

  • MedAug: 利用患者元数据的对比学习提高胸部 X 光解释的表征能力

    该研究提出了一种利用患者元数据为医学影像选择正向对样本的方法，使用该方法选择出来的正向对样本可以在自我监督对比学习中提高下游任务的性能。最佳的正向对选择策略将来自同一病人，同一研究的图像从所有的位置进行捕获，使平均 AUC 增长了 14.4％。

    Feb, 2021

  • 弱监督的位置对比学习：肝硬化分类应用

    利用病理学诊断等高置信度标签难以获取而成本高昂，故提出了一种基于弱标签和空间上下文的弱监督位置对比学习策略，通过泛化的基于核的损失函数整合了每个 2D 切片的空间上下文和弱标签，将其应用于肝硬化预测中，相对于基线模型在内部数据集上的分类 AUC 提高了 5％，在公共 LIHC 数据集（Cancer Genome Atlas）上提高了 26％。

    Jul, 2023

  • 利用解剖分割的认知不确定性进行视网膜 OCT 异常检测

    利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。

    May, 2019

  • 光学相干断层扫描图像的对比非配对图像转换的解剖条件

    通过图像到图像（I2I）转换对不同模态的医学图像进行统一分析，解决因信息差异导致的非成对映射挑战。为了恢复语义一致性，本研究在对比学习非成对 I2I 转换（CUT）方法的基础上，通过额外的分割解码器支持风格解码器，提高样式转换图像与目标分布的相似度，并在无监督领域适应的情景中改善生物标志物在 Home-OCT 图像中的分割，为疾病监测（如年龄相关黄斑病变）提供潜力。

    Apr, 2024