通过探索性训练解决通用病变检测任务中的不完整标注问题
提出了一种新的多任务病变检测方法,应用于多种用于医学成像分析的单病例数据集中,利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释,从而提高三维体积通用病变检测的性能,与当前最先进的方法相比,平均灵敏度提高了 29%。
May, 2020
该研究旨在开发一种通用的病变检测算法,通过利用粗略标注和临床知识,在多个异构数据集上进行训练,实现在多种病变类型下的准确检测。
Sep, 2020
本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet),用于增强乳腺癌超声计算机辅助诊断的精确性,通过优化检测网络和分类网络,使模型在病灶检测和诊断任务中达到最佳表现。
Jun, 2023
本文提出了一种使用不完全标注的乳腺 X 线照片数据集进行恶性乳腺病变检测 的弱监督和半监督学习算法,并在真实数据集上对其进行了检测实验研究,取得了最先进的检测结果。
Jan, 2023
通过使用小规模的医学图像体积样本来智能地从剩下的样本中挖掘出存在的缺失标注,我们提出了一个强大的系统来从 DeepLesion 数据集中高精度地提取缺失的病变。
Jan, 2020
开发基于 Evidential Deep Learning (EDL) 的不确定性估计框架的第一个方法,通过引入 MEDL-U,该框架不仅生成伪标签,而且量化相关的不确定性。实验证明,使用 MEDL-U 训练的概率性探测器在 KITTI 验证集中的所有难度级别上超过之前的 3D 注释器的确定性探测器,并在 KITTI 官方测试集上实现了最先进的结果。
Sep, 2023
该研究使用深度学习和多标签分类方法设计了一个名为 LesaNet 的病变注释网络,它可以准确的为超过 32k 的多样性病变图像进行分类并提取出 171 个精细标签,平均 AUC 达到 0.9344。
Apr, 2019
该论文介绍了一种基于 Mask R-CNN 的通用病变检测器(ULDor),通过使用 pseudo mask 和 hard negative example mining 策略来提高检测性能,可在大规模 CT 扫描中实现各种病变的准确检测。该方法在 NIH DeepLesion 数据集上实现了 86.21% 的灵敏度和每张图像 5 个假阳性的检测效果。
Jan, 2019
本论文提出了一种有效的迭代学习框架,用于医学图像的噪声标签分类问题。具体而言,我们提出了一种在线不确定样本挖掘方法,以消除嘈杂标记的图像的干扰,接着,我们设计了一种样本重新加权策略,以保留正确标记难样本的有用性。我们的方法在皮肤病变分类任务中得到了很有希望的结果。
Jan, 2019
这篇论文提出了一种递归式的训练策略,在使用非常少的带有像素级注释的训练样本的情况下,通过使用较便宜的图像级标注扩展这个小的训练样本集,完成语义分割的任务,进而应用于颅内出血的分割。
Mar, 2020