Aug, 2023

子宫颈畸形机器视觉检查的典型跨领域知识迁移

PDF
TL;DR通过利用不同但相关临床研究中收集的跨领域子宫颈图像，我们提出了一种基于原型的知识过滤方法，用于改善定向子宫颈数据集上模型的性能，实验证据显示我们的方法在顶级准确率、精确度、召回率、F1 分数和 ROC-AUC 上分别比最先进的子宫颈畸形视觉检查法提高了 4.7%、7.0%、1.4%、4.6% 和 0.05。
发现论文，激发创造
  • 精确的宫颈癌阴道镜图像分类中，深度学习描述符与特征降维的混合化

    通过使用不同的深度学习描述符（ResNet50、ResNet101 和 ResNet152）以及适当的特征归一化（最小 - 最大）和特征约简技术（LDA），我们提出了一种新颖的计算机辅助诊断（CAD）系统，该系统在妇科癌症预防方面取得了异常的性能。我们在由世界卫生组织提供的 IARC 数据集上进行了实验，该数据集经过了初始的分割和平衡。我们的方法在正常和异常分类以及类型分类方面的表现范围为 97% 至 100%，同一数据集上的另一竞争性方法的性能为 81% 至 91%。

    May, 2024

  • 基于病理学和阴道镜图像的宫颈癌诊断的深度学习技术

    深度学习在宫颈癌筛查和诊断方面展示了显著的效率提升和速度增加，有望帮助我们实现早期诊断，挽救生命。

    Oct, 2023

  • 从异构和部分标记的图像数据集中开发深入子宫颈模型

    为了解决宫颈图像分类模型开发中的挑战，本研究提出了一种基于自我监督学习的方法来产生一个预训练宫颈模型，并利用不同来源的未标记和 / 或标记图像来开发特定标准的宫颈图像分类模型，证明了该方法的有效性和联邦自我监督学习可以提高性能。

    Jan, 2022

  • 基于多聚特征的领域适应方法在宫颈癌剂量映射预测中的应用

    利用 Transformer-based polymerized feature 模块进行颈部癌症的剂量分布预测，通过领域适应性方法将从直肠癌学到的丰富知识转化应用于颈部癌症，以提高预测性能。实验结果表明，该方法优于现有方法。

    Aug, 2023

  • 救援领域转变的医疗图像自动诊断中的转诊失败

    对领域转变的医学图像中的可靠自动疾病诊断中的转诊存在重要挑战，并找到了关键应用。

    Nov, 2023

  • 医学影像的远距离领域迁移学习

    本研究提出了一种远程领域转移学习方法，通过应用该方法于 COVID-19 的肺 CT 影像数据，结合 Reduced-size Unet Segmentation 模型和 Distant Feature Fusion 分类模型，成功实现了高效且准确的 COVID-19 诊断。

    Dec, 2020

  • 子宫颈癌筛查的可解释乳房细胞表示

    通过使用变分自编码器进行单类分类，本研究提出了一种学习解释性深度宫颈细胞表示的方法，以实现宫颈细胞异常的评分和定位，结果表明该方法能够在不使用异常样本进行模型训练的情况下，实现异常细胞的区分和解释。

    Nov, 2023

  • 可以转移什么：内窥镜病变分割的无监督域自适应

    我们提出了一个新的无监督语义转移模型，包括两个互补模块（T_D 和 T_F），针对内窥镜病变分割，其可确定在标记源病变数据集（例如，胃镜）和未标记的目标疾病数据集（例如，肠镜）之间如何和何时探索可转移领域不变知识。

    Apr, 2020

  • 自监督表示学习在糖尿病视网膜病变图像的标签有效跨域知识迁移中的应用

    本文提出了一种基于标签效率自监督表示学习的方法，用于在跨域设置中对糖尿病视网膜病变图像进行分类。该方法使用来自源域数据集的先前学习，通过对比学习从未标记的源域数据集中学习的图像表示来对目标域数据集中的视网膜病变图像进行分类。实验结果表明，该方法在二分类和多分类中取得了最先进的结果，并优于现有的方法。

    Apr, 2023

  • 皮肤镜皮肤癌数据集中的领域转移：对临床转化的基本限制的评估

    该研究探讨卷积神经网络应用在皮肤镜皮肤癌分类等临床任务时的泛化能力不足问题，并针对不同来源、不同照明条件等影响因素，通过对 ISIC 图像库中图像元数据进行分类，生成包括这些影响因素的数据集，体现数据集间的 “domain shifts”，为评估皮肤癌分类器的泛化能力提供支持。

    Apr, 2023