Aug, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于视觉变压器的自监督方法用于胸部 X 光片分类

    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。

    Aug, 2023

  • 利用自监督深度学习增强乳腺癌筛查乳腺 X 线摄影的检测能力

    本研究探讨了基于强数据扩充的无监督自我学习技术在人工智能应用中的重要作用，以乳腺癌检测为例，通过实验验证表明使用该技术可以大幅提高数据利用率，而且更容易迁移到其他数据集，是医学图像人工智能领域迈向无监督学习和去掉传统稀缺标签的重要突破。

    Mar, 2022

  • 领域内自监督学习可提高遥感图像分类

    本文研究了自监督学习在遥感图像分类中的应用， 使用 ViT 模型和 iBOT 框架进行预训练可以提高模型预测性能。

    Jul, 2023

  • 自我监督学习提高深度学习对 CT 图像差异的肺肿瘤分割的鲁棒性

    自我监督学习（SSL）是一种从无标签数据中提取有用特征表示并在有限标记样本的下游任务中进行精细调整的方法。本论文比较了基于自然数据和自我预训练的转换器模型在医学图像分析中的鲁棒性，发现自然预训练模型对肺肿瘤分割的 CT 图像差异具有更高的适应性，同时 Swin 架构从这种预训练中受益更多。

    May, 2024

  • DrasCLR: 一种用于三维医学图像学习疾病相关和解剖学特定特征的自监督框架

    本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

    Feb, 2023

  • 基于小规模图像数据集的可治疗性视网膜疾病分类的自监督学习

    通过自监督学习和迁移学习在治疗性视网膜病分类中评估了四个预训练的自监督学习模型和两个迁移学习模型，使用小规模的光学相干断层扫描（OCT）图像，结果表明自监督学习模型在平衡和不平衡的训练情景下表现出卓越性能，并显示 MoCo-v2 方案的自监督学习模型在不平衡情景下具有一致的出色表现。

    Apr, 2024

  • 在多样病理数据集上进行自监督学习的基准测试

    本文介绍了最大规模的自监督学习预训练对计算病理学的影响，并在核实例分割等任务中证明其表现优越，并提出了领域特定技术来提高性能。

    Dec, 2022

  • 基于自监督范式的有限标记样本遥感图像场景分类

    通过自监督学习机制，利用未标记的大规模遥感图像数据进行预训练，提高了远程传感器图像场景分类任务的性能，与传统的以 Imagenet 为代表的方法相比表现更佳。同时，研究了多个影响自监督学习的因素，这些研究成果对遥感领域中 SSL 技术的发展具有积极意义，有望提高大规模遥感图像处理的效率。

    Oct, 2020

  • 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