Jun, 2023

LVM-Med：通过二阶图匹配学习用于医学影像的大规模自监督视觉模型

HTML
PDF
TL;DRLVM-Med是第一个在大规模医学数据集上训练的深度网络家族，并使用一种新的自监督对比学习算法来优化训练，实验结果表明，在处理医学任务时，LVM-Med相比于其他现有模型可以获得更好的表现。
发现论文，激发创造
  • 基於深度卷積神經網絡的計算機輔助檢測：CNN架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将ImageNet预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 医学图像分析的迁移学习系统基准测试分析

    通过对比自然图像与医学图像，本论文通过大规模评估了不同图像预训练模型在医学图像分析领域的可迁移性，提出了将自然图像模型迁移到医学图像中的实用方法，并发现新的关键性能：针对医学分割任务fine-grained数据预训练模型具有独特的局部特征表示，自我监督的ImageNet模型比有监督的ImageNet更有效地学习整体特征，连续预训练可以缩小自然图像与医学图像领域之间的跨度，有望引导深度学习在医学图像领域的未来研究。

    Aug, 2021

  • 多模式医学图像的图卷积网络：方法、架构和临床应用

    本综述论文介绍了基于图卷积网络（GCN）的医学图像分析的最新研究进展，包括放射学和组织病理学数据，讨论了GCN在疾病诊断和患者康复中的应用，以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。

    Feb, 2022

  • STU-Net：借助大规模监督预训练提升可伸缩和可迁移的医学图像分割模型

    本文提出了可扩展和可转移的U-Net (STU-Net)模型, 参数从1400万到14亿, 并在大规模的医学分割数据集上表现良好, 并评估其在14个下游数据集上的可转移性。

    Apr, 2023

  • 紧凑而强大：利用图神经网络和边缘卷积进行医学图像分类

    我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用RGB通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在MedMNIST数据集的分类中表现出色，并与现有的深度神经网络相比，参数少1000倍，训练时间和数据需求减少。我们的结果鼓励进一步探索医学影像领域中的其他图神经网络模型。

    Jul, 2023

  • 处理医学图像深度学习中的小数据集：对卷积模型进行自监督预训练的CT扫描上对比对比度和遮码自编码器方法的评估

    深度学习在医学影像中具有潜力，可以减少诊断错误的风险，减轻放射科医生的工作负荷并加速诊断。为了解决医学影像领域注释数据集不足的挑战，我们通过预先训练大型无注释图像数据集上的深度学习模型来实现自我监督学习，并提出了SparK预训练方法，它在小型数据集上表现更为稳健。

    Aug, 2023

  • 医学影像学中的基础模型：综合调查与未来视野

    通过提供医学成像领域基础模型的综合概述，本调查旨在帮助研究人员了解基础模型的基本概念、培训策略、计算要求以及在医学图像分析方面的机会、应用和未来发展方向。

    Oct, 2023

  • 连接点：基于图神经网络的医学图像集成与分类

    利用图神经网络对医学图像进行特征提取和模型关系建模，以提供一种经济可行且可扩展的医学图像分类策略，显著减少对大量训练数据集的依赖。

    Nov, 2023

  • LHU-Net：一种用于高效、高性能体积型医学图像分割的轻型混合 U-Net

    通过结合Transformer架构与卷积神经网络（CNNs）的优势，提出一种优化的体积型医学图像分割网络LHU-Net，旨在在初期层次优先进行空间特征分析，然后转向更深层次的基于通道的特征，从而全面提取特征，取得了具有高效性和准确性的卓越性能。

    Apr, 2024

  • LoGra-Med：用于医疗视觉语言模型的长上下文多图对齐

    本研究针对现有医疗多模态大语言模型在视觉与语言模态间对齐不足的问题，通过提出一种新的多图对齐算法LoGra-Med，强化图像模态、基于对话的描述和扩展标题之间的三元关系。这一创新方法帮助模型更好地捕捉上下文意义和处理语言变异性，实验证明在小数据集下也能超越当前技术水平。

    Oct, 2024