Jul, 2023

应用银标准标签进行基于 Ki-67 评分的数字病理学领域适应性迁移：向广泛部署更近一步

PDF
TL;DR本研究提出了一种利用无监督学习进行目标领域自适应的方法，用于提高医学图像分析的准确性。
deep learningki-67 pi scoringdomain adaptationtarget domainmedical image analysis
发现论文，激发创造
  • 使用银标准掩模进行 FLAIR MRI 中侧脑室分割的域自适应

    该研究提出一种基于转移学习的侧脑室容积分割方法，采用领域自适应方法，使用 目标域生成的银标准掩模为 CANADIAN 张量成像网络 (CAIN) 的金标准数据补充数据，并且证明这种方法在其他医学成像领域的应用也是可行的。

    Jul, 2023

  • 基于变换不变自训练的医学图像分割领域适应

    半监督学习策略 —— 转化不变自训练（TI-ST）方法，通过评估像素级伪标签的可靠性并在自训练过程中过滤不可靠的检测，解决标签缺失和提高目标域分割性能。

    Jul, 2023

  • 使用代理标签的策略课程进行自适应语义分割

    本文提出一种新的深度学习网络架构，通过混合有标号源领域和代理标号目标领域的数据，利用网络的自我预测生成代理标签，实现了高效的无监督域自适应，其在合成到真实领域自适应和地理领域适应方面均表现出了优势。

    Nov, 2018

  • 提升伪标记和改善半监督领域泛化的鲁棒性

    我们提出了一种新的半监督领域泛化方法，利用模型平均的不确定性引导伪标签技术，在有限标签的情况下缓解对源领域的过拟合，并在关键代表性领域泛化数据集上证明了其有效性。

    Jan, 2024

  • 使用伪标签进行 COVID-19 检测的领域自适应

    我们提出了一个两阶段框架，利用伪标签进行领域自适应，以提高从 CT 扫描中检测 COVID-19 的速度和准确性。通过利用一个领域的注释数据和另一个领域的非注释数据，该模型克服了在新兴健康危机中普遍存在的数据稀缺和变异挑战。生成伪标签的创新方法使得模型能够迭代地改进学习过程，从而提高其在不同医院和医疗中心的适应性和精度。在 COV19-CT-DB 数据库上的实验结果展示了该模型在高诊断精度方面的潜力，极大地促进了高效的患者管理，并减轻了医疗系统的压力。我们的方法在 COVID-19 领域适应挑战的验证集上取得了 0.92 的宏 F1 得分。

    Mar, 2024

  • 儿科脑肿瘤分割的无监督领域自适应

    在本研究中，我们提出了由 Domain-Adapted nnU-Net (DA-nnUNet) 构成的无监督领域自适应模型，用于将成人胶质瘤（源域）应用到儿童胶质瘤（目标域）中，通过添加一个连接有梯度反转层（GRL）的域分类器到 nnU-Net 的骨干网络中实现特征转换，并在保持源域分割准确性的同时将领域无关特征转移到分割模型，结果显示相较于仅使用成人数据的模型，在肿瘤核心（TC）区域有明显性能提升，Dice 系数约提高 32％，95th percentile Hausdorff 距离约提高 20 个单位。

    Jun, 2024

  • 更好的伪标签：用于半监督领域通用问题的联合领域感知标签和双分类器

    本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。

    Oct, 2021

  • 基于原型多层学习的半监督域自适应

    本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的 SSDA 性能。

    May, 2023

  • 使用伪标签进行域自适应

    无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

    Feb, 2024

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022