Aug, 2023

基于数据增强的医学成像领域无监督域适应

PDF
TL;DR基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。
deep learningmedical imagingdomain adaptationmri segmentationrobustness
发现论文，激发创造
  • 自集成无监督域自适应在医学影像分割中的应用

    本研究中，我们对自我集成方法进行了扩展，探讨了多个方面，证明自我集成即使在使用少量非标记数据时也能提高模型的泛化能力，从而在医学成像应用中解决了单一领域下模型泛化的问题。

    Nov, 2018

  • 医学图像分割与域适应：综述

    深度学习在医学影像数据分析应用中取得了显著的成功。然而，由于数据分布的差异导致的领域偏移使得深度学习模型在不同扫描仪的不同站点所收集的训练和测试数据上难以实现良好的泛化能力。领域适应作为一种有效手段旨在通过减少医学影像应用中的领域差距来应对这一挑战。本综述针对基于深度学习的医学图像分割领域适应方法进行了重点研究。我们首先介绍领域适应的动机和背景知识，然后全面回顾了医学图像分割中领域适应应用，并最后讨论了该领域的挑战、局限性和未来研究趋势，以促进领域适应在医学图像分割的方法学发展。我们的目标是为研究人员提供关于领域适应在医学图像分割研究中的最新参考文献。

    Nov, 2023

  • 无监督的联邦域自适应用于 MRI 图像分割

    使用深度神经网络进行磁共振成像（MRI）图像的自动语义分割极大地辅助于评估和规划各种临床应用的治疗。然而，训练这些模型要求具备丰富的注释数据来实施端到端的监督学习过程。即使我们注释了足够多的数据，由于患者、MRI 扫描仪和成像协议的差异等因素，MRI 图像显示出相当大的变异性。这种变异性需要针对每个特定的应用领域重新训练神经网络，而这又需要专业放射科医生对所有新领域进行手动注释。为了减少持久数据注释的需求，我们开发了一种使用多个注释源域进行无监督联邦域自适应的方法。我们的方法使得能够将知识从多个注释源域转移，以使模型在未注释的目标域中有效使用。最初，我们通过最小化目标域和源域的分布的成对距离，使得目标域数据与每个源域在潜在嵌入空间中具有相似的表示，该空间被建模为深度编码器的输出。然后，我们采用集成方法来利用从所有领域获得的知识。我们提供了理论分析，并在 MICCAI 2016 多中心数据集上进行实验证明我们的方法是有效的。

    Jan, 2024

  • 当未见领域泛化不必要时？重新思考数据增广

    本文提出了一种用于医学图像领域通用性问题的 Deep Stacked Transformations (DST) 方法，并通过对三种任务的测试表明，DST 模型对于未曾接触的数据集性能的下降仅有 11% 左右，可更好地应对图像域的差异，因此可以在更临床上的任务中发挥作用。

    Jun, 2019

  • 跨模态图像分割的高效无监督领域自适应算法

    本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的 3D CT 扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

    Jul, 2019

  • 基于对抗神经网络的无监督领域自适应脑损伤分割

    该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

    Dec, 2016

  • 医学图像分析的领域自适应研究概述

    介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

    Feb, 2021

  • 医学影像领域中的无监督域适应深度学习：最近的进展与未来展望

    深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。

    Jul, 2023

  • MRI 领域自适应的迁移学习：应用于脑部病变分割

    本研究探讨了如何将一个训练于遗留数据集上的深度卷积神经网络成功适应于新数据集，结果表明，只需用两个新样本对模型进行微调即可较好地适应。

    Feb, 2017

  • 使用已学习变换的数据增强技术进行一次性医学影像分割

    该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

    Feb, 2019