Sep, 2023

基于自监督学习从解剖学中学习的医学成像基础模型

PDF
TL;DR通过自我监督学习策略，利用人体解剖的分级性质和组成性，该模型提供了与全 / 自我监督方法相比改进了 9% 到 30% 的分割任务性能以及增强了注释效率，并且能够更好地理解人体解剖学。
human anatomymedical imagingself-supervised learninganatomy comprehensionsegmentation tasks
发现论文，激发创造
  • 通过自我监督从解剖学中学习局部可定位性、可组合性和可分解性，以在基础模型中表示部分 - 整体层次结构

    通过引入 Adam-v2，一种新的自监督学习框架，将部分 - 整体层次结构明确地纳入学习目标，实验结果展示了 Adam-v2 在多个医学任务上的卓越性能。

    Apr, 2024

  • 自监督学习中的解剖不变建模与语义对齐在三维医学图像分割中应用

    本研究提出了一种新的自我监督学习框架 ——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了 3D 医学图像分割下的性能表现，超过之前的同类方法。

    Feb, 2023

  • 组织病理学的领域特定优化和多样化自监督模型评估

    建立和评估组织病理学基础模型在自我监督学习中的价值，并发现领域特定方法可以进一步提高性能。

    Oct, 2023

  • DrasCLR: 一种用于三维医学图像学习疾病相关和解剖学特定特征的自监督框架

    本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

    Feb, 2023

  • 医学影像学中的基础模型：综合调查与未来视野

    通过提供医学成像领域基础模型的综合概述，本调查旨在帮助研究人员了解基础模型的基本概念、培训策略、计算要求以及在医学图像分析方面的机会、应用和未来发展方向。

    Oct, 2023

  • 通过自学、自分类和自修复学习语义丰富的表示

    本研究提出了一种自我监督学习的深度模型，命名为 Semantic Genesis，通过自主发现、自我分类和自我恢复医学图像下的解剖学，来学习语义丰富的视觉表征，具有较高的性能表现，适用于医学分类和分割。

    Jul, 2020

  • 医学图像分割的自我监督对齐学习

    最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

    Jun, 2024

  • 挖掘自身解剖：重新审视极少标注下的医学图像分割

    本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

    Sep, 2022

  • 上下文重要性：基于图形的医学图像自监督表示学习

    该研究介绍了一种基于自监督学习的方法，通过在医学图像中结合区域解剖学和患者特征学习对肺部 CT 图像进行分析，从而在 COVID-19 病人中定量量化疾病的临床进展并标识图像中与疾病相关的区域。

    Dec, 2020

  • 以解剖导向的成像平面的自监督学习方法应用于医学图像数据

    我们提出了两个互补的预训练任务，基于医学图像数据的空间关系，用于深度网络的预训练，结果表明这些预训练任务对目标任务有显著的提升效果，且优于其他最近的方法。

    Mar, 2024