Sep, 2023

你如何划分数据很重要：数据泄漏和主题特征在纵向脑 MRI 分析中的研究

PDF
TL;DR深度学习模型在医学图像分析领域产生了重大变革，但由于数据泄漏的隐藏陷阱，其性能可能具有误导性。在本研究中，我们调查了 3D 卷积神经网络在 3D 医学影像中的数据泄漏问题，特别是在脑 MRI 分析中的应用。我们研究了不同的数据分割策略对于纵向脑 MRI 分析模型性能的影响，发现了潜在的数据泄漏问题，并通过 GradCAM 可视化揭示了 CNN 模型中由身份混淆引起的快捷方式。我们的研究结果与先前研究一致，强调了基于受试者的分割以及在不同受试者中进一步评估模型以确保深度学习模型在医学图像分析中的完整性和可靠性的重要性。
发现论文，激发创造
  • 1D CNN 模型上是否能应用 Split Learning 进行隐私保护训练？

    本文研究了在 1D CNN 模型下使用分裂学习进行隐私保护的技术，发现分裂学习技术对保护数据隐私存在一定的泄露，提供了两种隐私泄露缓解技术：客户端增加隐藏层和应用差分隐私，但这些技术都会对模型准确性产生重要影响，因此，我们得出一个结论，分裂学习单独使用不能保持 1D CNN 模型下的原始序列数据的机密性。

    Mar, 2020

  • 基于深度神经网络的多发性硬化症病变和神经解剖分割

    本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

    Jan, 2019

  • 深度学习模型选择对心脏磁共振分割中性别和种族偏见影响的调查

    研究使用人工智能在医学影像中进行自动化常规任务的过程中，模型选择对主体性别和种族的数据不平衡导致的算法偏见有显著影响，在心脏磁共振图像分割中，我们评估了三种基于卷积神经网络的模型和一种视觉变换器模型，发现其中三种模型存在显著性别偏见，而所有模型都存在种族偏见，然而偏见的严重程度和性质因模型选择而异，凸显了在医学影像任务的公平 AI 分割模型训练中模型选择的重要性。

    Aug, 2023

  • 基于终身学习的跨扫描仪和协议的脑 MR 分割方法

    我们提出了一种基于多领域学习的解决方案，通过使用共享卷积过滤器和领域特定批归一化层对单个卷积神经网络进行调谐，从而在不同域的数据中进行 MRI 图像结构分割，仅使用几个（约 4）标记图像就能实现性能优越。

    May, 2018

  • 基于卷积神经网络心脏磁共振分割中种族和性别偏差的系统研究

    本文介绍了在医学影像领域应用卷积神经网络进行心脏结构分割的过程中，训练数据集失衡对 CNNs 偏差的影响进行了系统研究，实验结果表明数据失衡会导致 CNNs 对某些人群产生偏见，凸显了在医学健康数据集中需考虑对不同人口群体进行足够的表征的必要性。

    Sep, 2022

  • 数据增强和三维卷积神经网络深度对阿尔茨海默病检测的影响

    通过严格遵守数据处理、实验设计和模型评估等最佳实践，本研究旨在确保机器学习在临床实践中作为可靠工具的地位。以阿尔茨海默病检测为例，我们研究了不同的数据增强技术和模型复杂度对整体性能的影响，采用 3D 卷积神经网络处理 ADNI 数据集的分类问题。通过交叉验证和多次训练试验，我们训练了 15 个预测模型，考虑了三种不同的数据增强策略和五种不同的 3D 卷积神经网络架构，每种架构的卷积层数不同。通过数据增强和模型复杂度的综合效应，准确率的预测性能变化高达 10%。当分别应用仿射变换时，模型的准确性更高，与采用的架构无关。对于所有策略，模型准确率随着卷积层数的增加呈现凹曲线行为，在中间值层次达到峰值。最佳模型（8 个卷积层、架构 B）在交叉验证折数和训练试验中最稳定，在测试集和外部测试集上表现出色。

    Sep, 2023

  • 深度学习模型在临床 MRI 数据外分布中的可靠性：多中心研究

    本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

    Nov, 2019

  • 脊柱 MRI 的自监督学习

    本论文提出利用临床中的长期扫描数据进行自我监督学习的方法，使用连续的 MRI 扫描数据进行预训练的 Siamese 卷积神经网络，同时使用对比损失和分类损失对其进行训练，并在椎间盘退变的分类任务上证明其优于从头开始训练的网络，并且需要更少的标注数据。

    Aug, 2017

  • 基于 CNN 的医学图像分割

    通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化，本论文应用于医学图像分割领域，实现了在手部和脑部 MRI 图像上的分割与验证。

    Jan, 2017

  • 在 CT 扫描中获得的深度学习分类结果是否公平和可解释？

    深度学习在生物医学图像处理中的应用对各种自动诊断案例产生了巨大的影响，然而，大多数基于深度学习的分类尝试主要关注极高的准确率，而忽视了可解释性和训练测试数据的患者级分离。

    Sep, 2023