半监督和自监督学习在医学图像上的准确率与时间前沿

Jul, 2023

半监督和自监督学习在医学图像上的准确率与时间前沿

Accuracy versus time frontiers of semi-supervised and self-supervised learning on medical images

Zhe Huang, Ruijie Jiang, Shuchin Aeron, Michael C. Hughes

TL;DR对医学图像分类应用进行的研究表明，使用未标记的数据可以提高分类器的性能，通过自监督学习和半监督学习的方法，本研究在医学图像领域设计了一个基准测试，发现 MixMatch、SimCLR 和 BYOL 方法是强有力的选择，并提供适用于新医学任务的设置以及进一步搜索的方法。

Abstract

For many applications of classifiers to medical images, a trustworthy label for each image can be difficult or expensive to obtain. In contrast, images without labels are more readily available. Two major researc

classifiers self-supervised learning semi-supervised learning medical images unlabeled data

发现论文，激发创造

向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

Nov, 2023

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

医学图像分类的自监督方法：每类约 100 个标记样本的最先进性能

本研究通过采用 DINO 框架，尤其是使用非监督式学习中的图像表示来分析了医学图像分类中的无监督深度学习性能，并证明这种方法可以在使用少量标记数据（大约每类 100 个标记样本）的情况下，取得超过现有技术的性能表现。

Apr, 2023

自监督 BYOL 在半监督医学图像识别中的整合

通过将自监督学习与半监督模型结合，我们提出了一种创新方法以提高医学图像识别的能力。通过在未标记数据上进行预训练，然后将伪标记和标记数据集合并构建神经网络分类器，并通过迭代微调进行优化，实验证明我们的方法在医学图像识别的准确性方面优于现有方法。

Apr, 2024

自适应对比学习在半监督医学图像分割中的应用 —— 基于元标签方法

本文提出了一种利用元标签注释的对比学习方法，用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释，并采用自适应学习方法消除噪声标签，实验结果表明这种方法在几个数据集下表现优异。

Jul, 2021

自监督预训练用于二维医学图像分割

本文探讨了在医学图像分割中监督学习与自监督学习的预训练方法，发现在自监督学习方法中，使用自然图像和目标领域特定图像进行预训练可以实现最快和最稳定的收敛，在低数据场景下，将图像分类网络预训练在 ImageNet 上可以获得最佳精度。

Sep, 2022

S4L：自监督半监督学习

本研究探讨了图像分类器的半监督学习问题，提出了自监督半监督学习框架，并使用该框架派生出两种新的半监督图像分类方法。在 ILSVRC-2012 测试中，证明了该方法与现有半监督学习方法相比的有效性和新的最佳结果。

May, 2019

纯净半监督学习：在只有很少标记图像的情况下进行半监督学习

本文针对有限标注信息下的半监督学习进行研究，分析了当前应用最广的半监督学习方法 FixMatch 在这种情况下的表现和局限，提出了一种利用自监督学习方法提供训练信号以及优化伪标签筛选过程的方案，并在 STL-10 数据集上得到了显著提高。

Dec, 2021

半监督关系对比学习

本文介绍了一种基于半监督关系对比学习的皮肤病诊断方法，通过有效利用未标记图像进行预训练 / 精调并验证了其在不同标记数据数量下的有效性。

Apr, 2023

非完全监督：医学图像分析中的半监督、多实例和迁移学习调查

机器学习在医学影像领域取得显著进展。针对缺少标注数据，我们总结介绍了如何使用半监督、多示例、迁移学习等学习方法，特别是针对诊断和分割任务。同时，我们探讨了这些学习方法之间的联系和未来的研究机会。

Apr, 2018