May, 2023

自监督学习与复合预文本类别差异的 SSL-CPCD 方法，为内窥镜图像分析改善泛化性能

PDF
TL;DR本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了 4%、2% 和 3%。此外，我们还证明了我们的方法相对于所有 SOTA 方法具有更好的泛化性，我们的泛化性评估提高了近 7%。
medical image analysisdeep learningself-supervised learninginstance group discriminationpatch-level
发现论文，激发创造
  • 层次判别学习提高生物医学显微镜的视觉表达

    本文提出了一种名为 HiDisc 的自我监督对比学习框架，用于学习临床生物医学显微镜图像中肿瘤的高质量视觉表示，结果表明 HiDisc 预训练方法在癌症诊断和基因突变预测方面优于当前最先进的自我监督预训练方法，并且使用自然数据多样性学习高质量的视觉表达。

    Mar, 2023

  • 利用无关先验知识的 Patch-level 实例组判别方法进行结肠炎评分

    本研究提出了一种新的自我监督学习方法，即 patch-level instance-group discrimination with pretext-invariant representation learning (PLD-PIRL)，通过该方法可以更准确、更稳健地检测肠炎患者黏膜炎症细微的变化，相较于基准监督学习网络和现有的一些自我监督学习方法，本方法表现出更好的准确性和鲁棒性。

    Jul, 2022

  • 内镜视频分析的自监督学习

    自监督学习 (SSl) 在计算机视觉中取得了重要突破，在生物医学中具有重要作用，特别是在需要高度专业知识的数据注释领域。本研究使用先进的 SSL 框架，即 Masked Siamese Networks (MSNs)，对内窥镜视频分析进行研究，以检测和治疗感染、慢性炎症性疾病或癌症。我们构建了大规模的无标签内窥镜视频数据集，用于训练 MSNs，以充分利用 SSL 的优势，并通过有限的注释数据集进行二次训练，从而在内窥镜基准测试中实现了最先进的性能，如腹腔镜和结肠镜手术阶段识别以及结肠镜息肉表征。此外，我们实现了注释数据量的 50％减少，同时不降低性能。因此，我们的工作证明了 SSL 在内窥镜检查中可以大大减少对注释数据的需求。

    Aug, 2023

  • 外科计算机视觉的启动

    通过自我监督学习，在不同手术数据集上进行预训练，从而灵活地利用多样化的手术数据，为各种手术下游任务学习与任务无关的表示，研究发现预训练数据集的组成严重影响自我监督学习方法在各种下游任务上的有效性，对于规模化应用自我监督学习方法应充分考虑预训练数据集的组成。

    Dec, 2023

  • 多标签皮肤病变分类的自监督多模态学习

    通过最大化不同视角下的镜检和临床图像之间的相似性，聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。

    Oct, 2023

  • 简化自监督学习复杂度提高计算病理学弱监督分类性能

    我们提出了一套适应性方法，可以在资源有限的环境下利用半监督自学习来进行计算病理学研究，从而提高下游分类性能并缩短自学习训练时间。

    Mar, 2024

  • 大型自监督模型推进医学影像分类

    本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性，使用领域特定的无标签医学图像进行自监督学习，并引入一种新颖的多实例对比学习 (MICLe) 方法，为医学图像分析中的皮肤病和胸部 X 光分类任务提供了更为准确的预测。

    Jan, 2021

  • 使用合成数据的自监督和半监督息肉分割

    通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

    Jul, 2023

  • 内窥镜图像匹配的图形自监督学习

    本研究提出一种新颖的自监督方法，将卷积神经网络和基于注意力机制的图神经网络相结合，用于处理内窥镜图像中的特征匹配和对应关系问题，并在精度方面具有出色的表现。

    Jun, 2023

  • 借鉴 Zoom：解耦有监督对比学习用于 WCE 图像分类

    通过解决微小病变和背景干扰等挑战，以及利用放大增强器生成放大后的 WCE 图像从而学习鲁棒表示，我们提出了一种用于 WCE 图像分类的去耦合监督对比学习方法。训练一个线性分类器来使用这些表示，在仅 10 个 epoch 内取得了惊人的 92.01％的整体准确率，超过了前一最先进方法 0.72％，基于两个公开可访问的 WCE 数据集。

    Jan, 2024