前列腺成像分割基础模型的经验分析
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
本文讨论了大规模预训练模型,即基础模型,用于分析医学图像的机遇、应用和未来方向。具体而言,我们说明了医学基础模型的 “光谱”,从一般的视觉模型、模态特异性模型到器官 / 任务特异性模型,强调它们的挑战、机会和应用,以此来提高医学图像分析的准确性和效率,从而促进更加精确的诊断和治疗决策。
Jun, 2023
基于监督训练方法和无标签自我监督学习方法,在 100 个心脏超声图像的 25 个测量上,对 Segment Anything 模型(SAM)进行了性能和资源比较,结果发现 SAM 的性能较差,需要更多的标注和计算资源,显示出比无标签自我监督学习方法更低的效率。
Nov, 2023
通过使用粗糙语义分割掩模作为输入以及零 - shot 可提示的基础模型作为优化目标,我们提出了一种不需要提示的分割方法来解决低数据环境下分割模型的性能下降问题,并在肌肉骨骼超声图像数据集上进行了实验证明我们方法的优势,在不同程度的低数据环境下,随着训练集大小的减小,取得了更大的性能提升。
Apr, 2024
对于自动分割医学图像的研究,本文总结了目前的微调策略,并在包括所有常见放射学模态的 17 个数据集上进行评估,研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能,使用参数效率高的学习在编码器和解码器中进行微调的策略优于其他策略,网络架构对最终性能影响不大,通过自监督学习进一步训练 SAM 可以提高最终模型性能。
Apr, 2024
通过研究分割基础模型中的公平性困境,我们创建了包括肝脏、肾脏、脾脏、肺和主动脉的 1056 位健康人士的 3D MRI 和 CT 扫描数据集,记录了每位受试者的性别、年龄和体重指数以进行精细的公平性分析,并测试了医学图像分割的最先进的基础模型,发现在这些模型中存在显著的公平性问题。
Jun, 2024
在这篇论文中,我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点,并在两个基准数据集(结核病胸部 X 射线和卵巢肿瘤)上定量评估了它们的性能。最后,我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。
Aug, 2023
UniverSeg 利用新的交叉块机制解决了无需额外训练的医学图像分割任务,其中使用的 MegaMedical 数据集包含 53 个开放数据集,22,000 个扫描,UniverSeg 在各种解剖学和成像模式下的训练使其能够在新任务中表现出色。
Apr, 2023
构建一个强健的模型,能够在分布转变的情况下有效地泛化到测试样本,在医学影像领域仍然是一个重要的挑战。本研究通过对基于自然图像和文本数据进行预训练的视觉和语言基础模型进行 fine-tuning 后的鲁棒性评估,证明了基于基础模型的优越性。此外,研究还开发了一种新的冻结模型的贝叶斯不确定性估计方法,并将其用作衡量模型在超出分布数据上性能的指标,对于实际应用具有显著的益处。实验不仅揭示了在自然图像应用中常用的线上准确性和线上一致性指标的局限性,还强调了引入贝叶斯不确定性的潜力,特别是低不确定性预测通常具有更高的超出分布性能。
Nov, 2023