Sep, 2023

自我监督预训练对放射影像诊断任务影响的调查

HTML
PDF
TL;DR自监督预训练在医学图像诊断任务中通过改善特征表示进而提高了下游任务性能，尤其是在无标注样本数量远远超过有标注样本数量时。该综述总结了近期在X射线、计算机断层扫描、磁共振和超声成像领域中应用自监督预训练与全监督学习相比较的研究，最重要的发现是自监督预训练普遍提高了诊断任务的性能。基于综合证据，为考虑使用自监督学习的实践者提供了相关的建议，同时针对当前研究中存在的局限性，提出了未来研究的方向与实践，如将临床知识与理论基础的自监督学习方法结合、在公共数据集上进行评估、扩展对超声成像领域的研究证据，以及表征自监督预训练对泛化性能的影响。
发现论文，激发创造
  • 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

  • 自监督预训练提升自监督预训练效果

    本文研究自监督预训练的方法，提出了一种名为 HPT 的 Hierarchical PreTraining 方法，通过在现有预训练模型的基础上初始化预训练过程，加快了模型的收敛时间并提高了准确性，同时还增强了自监督预训练对图像增强策略和预训练数据量变化的鲁棒性，从而提供了一种用更少的计算资源获得更好的预训练表示的简单框架。

    Mar, 2021

  • 自监督特征在医学图像分类任务中的可迁移性如何？

    本文评估了使用三种 Self-Supervised Pretraining 技术 (SimCLR、SwAV 和 DINO) 预训练的特征在医疗分类任务中的转移能力，并证明相对于监督预训练，自监督预训练模型产生了更丰富的嵌入，利于下游任务的线性评估和模型微调。此外，作者介绍了 Dynamic Visual Meta-Embedding (DVME) 作为一种端到端的迁移学习方法，并证明与单一预训练模型相比，使用 DVME 能显著提高所选任务的性能，并且可以推广到任何预训练模型的组合。

    Aug, 2021

  • 自监督预训练用于二维医学图像分割

    本文探讨了在医学图像分割中监督学习与自监督学习的预训练方法，发现在自监督学习方法中，使用自然图像和目标领域特定图像进行预训练可以实现最快和最稳定的收敛，在低数据场景下，将图像分类网络预训练在ImageNet上可以获得最佳精度。

    Sep, 2022

  • 自监督预训练策略在 M 型肺部超声中发现无肺滑动的实用性探索

    本研究探讨了在 M 模式肺超声图像的肺滑动分类任务中，进行自监督预训练对于监督微调的实用性，结果表明，相对于完全监督，自监督预训练表现更好，特别是对于未使用 ImageNet 预训练权重来初始化特征提取器的情况下。此外，包含大量未标记数据可提高外部验证集上的表现，突显了自我监督在提高自动超声识别的泛化能力方面的价值。

    Apr, 2023

  • 自我监督预训练方法比较：基于胸部射线图像的疾病风险预测

    本文针对医疗影像任务，通过对自我监督和半监督学习等多种方式进行比较，研究发现半监督自编码器在预测胸部X光成像下的死亡风险方面具有更好的性能。

    Jun, 2023

  • 仅使用自监督预训练提高医学图像分类中的噪声标签问题

    噪声标签对基于深度学习的监督图像分类性能有负面影响，而自监督预训练权重的模型初始化可以减少特征损坏并提高分类性能，但尚未探索其他自监督方法对噪声标签的影响以及医学图像中仅使用自监督预训练方法对噪声标签的影响。本研究探索了对两个医学数据集进行对比和预备任务的自监督预训练，用于初始化深度学习分类模型的权重，结果显示使用自监督学习获得的预训练权重可以有效学习更好的特征，并提高对噪声标签的鲁棒性。

    Aug, 2023

  • 处理医学图像深度学习中的小数据集：对卷积模型进行自监督预训练的CT扫描上对比对比度和遮码自编码器方法的评估

    深度学习在医学影像中具有潜力，可以减少诊断错误的风险，减轻放射科医生的工作负荷并加速诊断。为了解决医学影像领域注释数据集不足的挑战，我们通过预先训练大型无注释图像数据集上的深度学习模型来实现自我监督学习，并提出了SparK预训练方法，它在小型数据集上表现更为稳健。

    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

    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。

    Aug, 2023

  • 自监督预训练改善多种肺部超声解读任务的性能和推理效率

    通过自监督预训练可以生成适用于多种B模式肺部超声分析分类任务的神经网络特征提取器，经预训练模型在三项肺部超声任务的微调后，平均跨任务下的受试者工作特性曲线（AUC）面积分别提高了0.032和0.061， 紧凑非线性分类器在单个预训练模型输出的特征上训练并不能提高所有任务的性能，但比起独立微调模型的串行执行，推理时间缩短了49%；在仅使用1％的标签进行训练时，预训练模型始终优于全监督模型，对于视图分类任务，最大观察到的测试AUC提高了0.396。总体而言，结果表明自监督预训练有助于生成用于肺部超声分类器的初始权重。

    Sep, 2023