Jun, 2023

自动磁共振图像诊断中标准化方案对输入分布变化的敏感性和鲁棒性研究

PDF
TL;DR本研究通过实验观察发现，针对磁共振成像的多种伪影，批标准化技术会导致深度学习模型性能下降，因此提出采用其他标准化技术（如组标准化和层标准化）可以提高模型对多种 MR 伪影和分布移位的准确性。
发现论文，激发创造
  • 推断阶段去噪对于欠采样 MRI 重建

    通过使用条件超参数网络，本研究提出在多个高斯噪声水平下实现高清图像重建的方法，同时达到最高的准确性和图像质量。

    Feb, 2024

  • 加速 MRI 的深度学习鲁棒性：多样训练数据的益处

    深度学习在图像重建中是当前各种成像任务的最先进方法，研究发现使用不同数据分布来训练模型相对于单一数据分布训练的模型在加速磁共振成像上表现出更好的鲁棒性和性能，并且不会削弱模型在特定分布下的性能。

    Dec, 2023

  • 深度学习模型在临床 MRI 数据外分布中的可靠性：多中心研究

    本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

    Nov, 2019

  • 稳健图像分类的上下文归一化

    本文提出一种称为上下文归一化的新的归一化技术，用于图像数据。这种方法基于每个样本的特征调整特征的缩放，通过使数据值适应目标任务的上下文来提高模型的收敛速度和性能。在各种数据集上展示了上下文归一化的有效性，并将其性能与其他标准归一化技术进行了比较。

    Mar, 2023

  • 深度学习用于加速和鲁棒的 MRI 重建的综述

    深度学习在磁共振成像重建中的应用及其对临床成像实践的潜力进行了全面综述，重点包括改善图像质量、加速扫描、处理数据相关挑战的深度学习方法和架构，以及优化采集协议、增强对分布变化的鲁棒性和克服潜在偏差等方面的讨论。

    Apr, 2024

  • 基于深度学习的压缩感知鲁棒性评估

    对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

    Feb, 2021

  • 图像分类模型自然分布偏移鲁棒性测量

    本研究评估了 204 个 ImageNet 模型在 213 个不同的测试条件下的表现，发现大多数当前技术无法提供对真实数据中分布变化的健壮性，唯一例外的是在较大且更多样化的数据集上进行训练可以在多种情况下提高健壮性，并且我们的研究表明当前真实数据中的分布变化是一个开放的问题。

    Jul, 2020

  • 模态归一化

    本文提出了一种扩展 Batch Normalization 的灵活方法，通过将归一化扩展到不止一个均值和方差，我们能够实时检测数据模式并联合归一化具有共同特征的样本。实验结果表明，我们的方法在单任务和多任务数据集上优于 BN 和其他广泛使用的归一化技术。

    Oct, 2018

  • 磁共振成像重建中无监督去噪扩散模型的不稳定性

    通过研究发现，即使微小的最坏情况扰动由替代模型传递而来，去噪扩散模型仍然能够生成可能误导临床医生的假组织结构，这种扰动的可转移性表明由于磁共振系统的不完善或其他噪声源，图像重构的鲁棒性可能会受到损害。此外，在更大的扰动强度下，扩散模型会产生与监督模型中观察到的不同且更具挑战性的类似高斯噪声的伪影，这强调了当前最先进的基于扩散的重构模型对可能的最坏情况扰动的脆弱性，并强调了在临床环境中改善其鲁棒性和可靠性的进一步研究的必要性。

    Jun, 2024

  • 重新审视批归一化以提高抗扰动性

    本研究中，我们将深度神经网络中的几项统计学指标变换为适应不同数据集，并通过少量表示样本的统计估计实现批量归一化统计量的调整与适应，从而在多种基准数据集上得到了更好的数据集迁移性和鲁棒性表现。

    Oct, 2020