Jul, 2023

半监督医学图像分类的类别特定分布对齐

HTML
PDF
TL;DR提出一种基于自我训练的半监督学习框架，通过改变向量空间中边缘预测的基础，捕捉有关标记和未标记数据的类依赖性边缘预测，以避免对多数类别的偏见，从而解决医学图像分类中的数据注释耗时和类别分布不平衡的问题。
发现论文，激发创造
  • 基于动态银行学习的半监督联邦图像诊断与类别不平衡

    本文研究了半监督联邦学习在医学图像诊断中的类不平衡问题，提出了一种新颖的动态银行学习方案，通过利用类比例信息来提高客户端的训练。经过在2个真实医学数据集上的评估，与第二名相比，在精度上有显著的性能提高(7.61%和4.69%)。

    Jun, 2022

  • 自监督学习与复合预文本类别差异的 SSL-CPCD 方法，为内窥镜图像分析改善泛化性能

    本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了4%、2%和3%。此外，我们还证明了我们的方法相对于所有SOTA方法具有更好的泛化性，我们的泛化性评估提高了近7%。

    May, 2023

  • 同时对一切进行对齐、蒸馏和增强以进行不平衡半监督学习

    这篇研究提出了一种名为ADALLO的三方案框架，可解决长尾半监督学习中的类别不平衡问题，其中包括一个灵活的分布对齐机制、一个软一致性正则化机制和一个扩展未标记集的架构。该框架在不同程度的类别不平衡，不同数量的标记数据和分布不匹配的情况下在几个基准数据集上进行了评估，并展示了在大分布不匹配的情况下提高不平衡半监督学习表现的显著成果。

    Jun, 2023

  • SPLAL：基于相似性的伪标签与对齐损失在半监督医学图像分类中的应用

    在这篇论文中，我们提出了一种新颖的半监督学习方法SPLAL，用于医学图像分类。SPLAL通过利用类原型和分类器的加权组合，在部分无标签图像上预测可靠的伪标签。此外，我们引入了对齐损失以减少对多数类的模型偏差。实验结果表明，我们的方法在准确率和F1分数上显著优于几种最先进的半监督学习方法。

    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

    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。

    Jul, 2023

  • 不平衡医学图像识别中的病变区域类别注意力

    提出了一种简单而有效的框架，名为CARE（Class Attention to Regions of the Lesion），通过在卷积神经网络（CNNs）的训练过程中引入注意力机制来处理数据不平衡问题。实验证明，该方法能够有效帮助网络专注于罕见疾病的损伤区域，显著提高了罕见疾病的分类性能。

    Jul, 2023

  • DHC: 双修正异构协同训练框架用于类别不平衡的半监督医学图像分割

    提出一种新颖的双消除偏见异构协同（DHC）框架，用于半监督3D医学图像分割，该框架通过两种损失加权策略（DistDW和DiffDW）动态利用伪标签引导模型解决数据和学习偏差，并且通过协同训练两个准确的子模型显著提高，实验结果表明我们的方法克服了类别不平衡问题，优于当前的半监督学习方法，在更具挑战性的半监督设置中显示出潜力。

    Jul, 2023

  • 半监督医学图像分割与协同分布对齐

    本文提出了一种基于Co-Distribution Alignment (Co-DA)的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公共数据集上优于现有半监督医学图像分割方法。

    Jul, 2023

  • 基于有限医学图像数据的半监督疾病分类

    通过利用正无标签样本的学习、生成模型以及未标记的医学图像，本研究提出了一种新的半监督疾病分类方法，以提高医学图像分析领域中的半监督疾病分类效果。

    May, 2024

  • 医学图像分类中的类别增量学习问题的研究

    通过引入平衡分类损失和分布边际损失，本研究在三个基准数据集上进行了大量实验，证明了该方法优于现有方法，从而有效缓解了医学数据集中不平衡导致的分类器偏见和遗忘现象。

    Jul, 2024