多层非对称对比学习用于医学图像分割预训练
文章提出了一种基于位置的对比学习 (PCL) 框架,用于从未标记的医学图像数据中生成对比数据对,以改善在医学图像分割中存在的假阴性对的问题,并在 CT 和 MRI 数据集上得到了实验验证。
Jun, 2021
本文提出了一种利用元标签注释的对比学习方法,用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释,并采用自适应学习方法消除噪声标签,实验结果表明这种方法在几个数据集下表现优异。
Jul, 2021
本文提出了一种 MCSC 框架,联合训练 CNN 和 Transformer 模型,并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明,该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上,并且大大缩小了与全监督方法之间的性能差距。
Jun, 2023
利用自我监督学习和对比学习的方法,在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型,旨在推进我们对对比学习框架的理解。具体而言,我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官(如肺和心脏)的超声图像以及大量的自然图像。我们的结果表明,与监督基线方法相比,传统的对比学习预训练可以提高性能。此外,我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明,预训练多器官数据可以提高下游任务的性能。
Feb, 2024
本文介绍了一种利用自监督学习和对比学习实现的影像分割技术,该技术可以在大量没有标注数据的情况下学习,并且在三个磁共振成像数据集上验证了其有效性。
Jun, 2020
提出了一种临床导向的多级对比学习框架,旨在增强模型提取病变特征和区分病变与低质量因素的能力,从而能够更准确地诊断低质量医学图像的疾病。
Apr, 2024
本文提出了一种基于对比度学习的语义分割训练策略,使用像素级和标签基础对比损失的方法,能够在减少标记数据的情况下提高性能,并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。
Dec, 2020
本研究提出了一种新颖的对比学习框架,它将本地化区域对比技术(LRC)融入到现有的半监督自监督预训练方法中,以增强医学图像分割的性能。通过在三个多器官分割数据集上的大量实验,我们证明在受限注释的情况下将 LRC 集成到自监督方法中可以显著提高分割性能。此外,我们还表明 LRC 也可以应用于完全监督的预训练方法以进一步提高性能。
Apr, 2023
本研究提出了一种名为 CL-TCI 的对比学习框架,与 MoCo 和 SimCLR 两种方法相结合,利用医学图像中的时间相关性信息,成功地使得在三个胸部 X 射线数据集上的肺部分割结果优于没有任何时间相关性的对比学习基线。
Sep, 2021