基于神经网络的溃疡性结肠炎组织学缓解预测
研究使用新的损失函数: 类距加权交叉熵(CDW-CE),从而更好地训练用于测量溃疡性结肠炎内窥镜活动的评分系统的深度学习模型,该方法考虑到分类之间的距离和顺序,从而在实验评价和领域专家中优于传统的分类交叉熵损失和其他常用损失函数。
Feb, 2022
本研究提出了一种新的自我监督学习方法,即patch-level instance-group discrimination with pretext-invariant representation learning (PLD-PIRL),通过该方法可以更准确、更稳健地检测肠炎患者黏膜炎症细微的变化,相较于基准监督学习网络和现有的一些自我监督学习方法,本方法表现出更好的准确性和鲁棒性。
Jul, 2022
本文提出了一种新的跨度注意机制来聚合具有不同分辨率的图像中的特征,并生成不同分辨率的可视化结果来定位并解释可解释的损伤模式,该方法在Crohn病这种炎症性肠病的诊断中取得了优异的成果。
Aug, 2022
评估了深度学习方法在预测卵巢癌治疗效果方面的效力,发现使用预训练的图像金字塔转换模型提取区域级特征,再用基于注意力的多实例学习模型进行整合和分类,能够部分预测抗血管生成药物bevacizumab在卵巢癌患者中的治疗效果,但受数据集限制和异质性的影响,准确性还需要更大、更高质量的数据集进一步验证。
Oct, 2023
利用混合深度学习和集成机器学习模型,该研究提出了一种超越以往解决方案的组合模型,对肠直肠癌的组织分类任务取得了96.74%的准确率,在外部测试集上达到99.89%的准确率。
Oct, 2023
通过使用小型真实内窥镜图像数据集训练,生成大量合成样本,然后使用主动学习方法选择最有信息量的样本进行分类器训练的主动学习基于生成扩增方法,在公开可用的内窥镜图像数据集上展示了该方法的有效性,结果显示使用合成样本与主动学习相结合相比只使用原始标记样本的基线分类性能(68.1%)提高到了74.5%的Quadratic Weighted Kappa (QWK)评分,另一个观察结果是仅使用真实数据达到相同性能需要三倍的图像数量。
Nov, 2023
本研究解决了自动化图像严重度估计中因模糊严重度而导致的高标注成本问题。论文提出了一种深度贝叶斯主动学习排序的方法,自动选择高学习效率的图像对进行相对标注。实验结果表明,该方法在严重类别不平衡的情况下仍能显著提高性能。
Sep, 2024
本研究解决了自动图像严重程度评估中训练数据稀缺的问题,特别是在相对注释的应用方面。提出的深度贝叶斯主动学习排序方法能够自动选择高效的图像对进行相对严重程度注释,从而减少了传统定量注释所需的大量工作。实验表明,该方法在面对严重类别不平衡的情况下,仍能实现高效的性能提升。
Sep, 2024
本研究针对全片病理图像(WSI)在深度学习诊断中存在的偏差和不纯性问题,提出HistoROI,一个轻量级的深度学习分类器,能有效区分六种组织区域。通过人机互动和主动学习方法进行训练,HistoROI在多个器官上表现出强大的泛化能力,显著提升下游深度学习任务的性能,表明其为病理诊断提供了重要的支持和改进。
Sep, 2024
本研究针对内镜视频中溃疡性结肠炎(UC)严重性评估的自动化不足进行了探讨,传统评估方法费时且受制于评审者间的差异。我们提出的Arges框架通过时空变换器,结合帧特征的信息,有效提高了UC严重性评分的准确性,特别是在MES评分上提升了4.1%。
Oct, 2024