本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架,使用 MSCC 方法学习不同的任务,以预测未来认知临床得分,并在公开的神经影像队列中应用模型进行临床测量预测,取得了优异的结果。
Aug, 2017
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
通过引入新的分割范式,我们提出了一种基于对比学习的分类器自由网络,能够实现可变数量类别的分割,并结合知识蒸馏的增量学习框架,解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。
May, 2024
该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估,并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性,并通过两个计算机辅助检测问题的实验展示了更好的性能。
Feb, 2016
深度学习应用在最近几年取得了很多成功,尤其是在计算机视觉领域,卷积神经网络取得了可靠的结果。而自我训练和模块化学习是解决数据访问、标注和问题复杂性的有效方法,能提高分类性能和数据标注分割的准确性。
Jul, 2023
本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明,单一模型可以顺序地学习来自不同专业的新任务,并达到与传统方法相当的性能,从而证明了在医学领域跨机构共享或回收模型的可行性,进一步推动了通用医学影像人工智能的发展。
Nov, 2023
本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘,包括动态架构和训练过程,结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。
Mar, 2023
通过预训练和数据增广,使用卷积神经网络进行医学影像诊断,开发出一种检测人体解剖结构的系统。
Dec, 2015
本研究旨在解答在医学图像分析的背景下,如何才能让使用具有足够精细调整过的预训练深度 CNN 能够消除从头开始使用 CNN 进行训练的需求这一核心问题。在考虑了医学成像应用中的分类,检测和分割等方面时,我们的实验结果一致表明:1)使用经过足够精细调整的预训练 CNN 显著优于或者和从头开始训练的 CNN 一样好;2)相比于从头开始训练的 CNN,精细调整的 CNN 更加稳健;3)浅调整和深度调整都不是特定应用的最佳选择;4)我们的逐层精细调整方案可以根据可用数据量为手头的应用程序提供达到最佳性能的实用方法。
Jun, 2017
该研究论文提出了一种基于前向前向对比学习的图像分类预训练方法,通过将前向算法与对比学习结合,可以构建出更加具有鲁棒性的分类模型,实验结果表明该方法可以取得比现有预训练模型更加出色的分类性能。
May, 2023