基于视觉变压器的自监督方法用于胸部 X 光片分类

Aug, 2023

基于视觉变压器的自监督方法用于胸部 X 光片分类

DINO-CXR: A self supervised method based on vision transformer for chest X-ray classification

Mohammadreza Shakouri, Fatemeh Iranmanesh, Mahdi Eftekhari

TL;DR我们提出了一种自监督方法 DINO-CXR，通过对胸部 X 射线的分类进行自监督预训练，证明了该方法在肺炎和 COVID-19 检测方面的有效性，并在准确性方面胜过了最先进的方法，在 AUC 和 F-1 得分方面取得了可比较的结果，同时少使用了标记数据。

Abstract

The limited availability of labeled chest x-ray datasets is a significant bottleneck in the development of medical imaging methods. Self-supervised learning (SSL) can mitigate this problem by training models on unlabeled data. Furthermore, self-supervised pretraining has yielded promis

chest x-ray datasets self-supervised learning dino-cxr pneumonia covid-19 detection

发现论文，激发创造

利用大规模无标签自然图像增强医疗 AI 模型的网络初始化

通过在非医学图像上进行自监督学习的预训练来提高医学图像诊断准确性的研究表明，选择正确的预训练策略，尤其是自监督学习，在医学成像中对人工智能的诊断准确性具有重要意义。

Aug, 2023

用于胸部 X 光分类的自监督深度卷积神经网络

本研究提出了一种自监督深度神经网络，在未标记的胸部 X 射线数据集上进行预训练，并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果，而不需要大量标记的训练数据。

Mar, 2021

通过整体自我监督学习推动面向人体的 AI 在 X 射线分析中的鲁棒性

使用自监督训练的 RayDINO 和小型任务特定适配器达到了最先进的结果，改善了对未见过的人群的泛化能力，同时减轻了偏见，展示了基础模型的真正潜力：多功能性和健壮性。

May, 2024

如何训练您的 CheXDragon：为转移至新任务和医疗系统训练胸部 X 光模型

本研究探讨了多种监督和自我监督预训练策略在医疗图像多模式数据上的性能表现，并对其在新任务和医疗保健系统中的表现进行了评估和实验，结果表明多模式 SSL 性能优于单模式 SSL，并提供了适用于面对这些限制的场景的替代模型建议。

May, 2023

自我监督预训练方法比较：基于胸部射线图像的疾病风险预测

本文针对医疗影像任务，通过对自我监督和半监督学习等多种方式进行比较，研究发现半监督自编码器在预测胸部 X 光成像下的死亡风险方面具有更好的性能。

Jun, 2023

基于 Vision Transformer 技术对胸部 X 光图像进行分析以提高 COVID-19 诊断

本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

Jun, 2023

BarlowTwins-CXR：跨领域自监督学习增强异质数据中的胸部 X 光异常定位

BarlowTwins-CXR 通过自监督学习策略显著提高了胸部 X 射线图像异常定位的效率和准确性，超越了传统的迁移学习方法，并有效地解决了跨域场景中的领域不一致问题。我们的实验结果表明，利用自监督学习可以提高在医学环境中具有有限异构数据的模型的泛化能力。

Feb, 2024

MLVICX：胸部 X 光自监督表示学习的多层方差 - 协方差探索

利用 MLVICX 来增强自监督胸部 X 射线数据的表现力并取得 3% 以上的性能提升。

Mar, 2024

使用低层胸部 X 光特征语料库的视觉变换器，用于 COVID-19 诊断和严重程度量化

本论文提出了一种创新的 Vision Transformer 算法用于诊断和量化 COVID-19 的严重程度，通过使用基础网络提取常见的胸片异常结果，并利用其嵌入特征作为 Transformer 模型的语料库，实现了针对 CXR 的目标。实验结果显示，该模型在诊断和严重程度量化任务上具有卓越的泛化能力和最先进的性能，这是广泛部署所必需的。

Apr, 2021

自我监督学习的无监督儿科肺结核 X 射线检测

使用自监督学习的方法，基于 Vision Transformers，改进了胸部 X 射线上结核病的检测，实现了零样本儿科结核病的检测，证明自监督学习在结核病检测任务上的有效性。

Feb, 2024