Oct, 2023

多域改善医学图像分析的超出分布和数据有限情境

PDF
TL;DR当前医学图像分析的机器学习方法主要集中在为特定任务开发定制模型，利用其目标域内的数据。最近，提出了基础模型，它结合了来自各种领域的数据，并展现出出色的泛化能力。本研究在此基础上引入了多领域医学图像的结合，包括不同的成像方式如 X 线、MRI、CT 和超声图像，以及各种视角如轴位、冠状位和矢状位。我们称之为多领域模型，并将其性能与特定模型进行了对比。研究结果强调了多领域模型在数据有限和常遇到的超出分布情况下的优越泛化能力，尤其在医疗应用中。多样数据的整合使多领域模型能够利用跨领域的共享信息，显著提高整体结果。举例而言，在器官识别方面，与传统专用模型相比，多领域模型的准确性可以提高 10%。
machine learningmedical image analysismulti-domain modelgeneralization capabilitiesdata integration
发现论文，激发创造
  • 医学图像分析的领域泛化综述

    医学图像分析（MedIA）是医学和医疗中不可或缺的工具，对疾病诊断、预测和治疗计划有所助益，深度学习（DL）取得的重大成就对其发展作出了显著贡献。然而，用于 MedIA 的 DL 模型在实际情况中仍然具有挑战性，在训练和测试样本之间的分布差异下无法进行泛化，也即所谓的分布偏移问题。本文综述了专门针对 MedIA 的领域泛化研究，全面地回顾了领域泛化技术在更广泛的 MedIA 系统中的相互作用，超越方法论，考虑到对整个 MedIA 工作流程的操作影响。具体而言，我们将领域泛化方法分为数据级、特征级、模型级和分析级方法。我们展示了这些方法如何在 MedIA 工作流程的不同阶段中使用，从数据获取到模型预测和分析。此外，我们还包括了用于评估这些方法的基准数据集和应用，并分析了各种方法的优缺点，揭示了未来的研究机会。

    Oct, 2023

  • 医学图像分析领域广义化综述

    医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个 GitHub 项目，收集了相关资源，链接为：https://this-URL-github-project

    Feb, 2024

  • 医学图像分析的领域自适应研究概述

    介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

    Feb, 2021

  • 临床环境中领域泛化的经验框架

    本研究基于多中心临床时间序列和医学影像数据，评估了 8 种领域泛化方法在现实世界医学成像数据上的性能，并对真实性产生的领域偏差和采样偏差而进行模拟压力测试，发现当前领域泛化方法在现实世界医学成像数据上的表现并不总是能够显著提升。然而，在临床时间序列数据的某些真实性突出情景下，这些领域泛化方法确实会呈现出一定的性能提升，建议在临床环境中采用最佳实践方法来进行领域泛化。

    Mar, 2021

  • 医学影像领域自适应和泛化的有力基础

    本研究在医学成像中提供了多源、多目标域适应和泛化问题的强大基准，通过使用 10 个不同胸透数据集的多样性集合，我们实证演示了在训练医学成像深度学习模型应用于不同病人群体的好处，以用于样本外的域泛化。

    Apr, 2019

  • 医学图像分割与域适应：综述

    深度学习在医学影像数据分析应用中取得了显著的成功。然而，由于数据分布的差异导致的领域偏移使得深度学习模型在不同扫描仪的不同站点所收集的训练和测试数据上难以实现良好的泛化能力。领域适应作为一种有效手段旨在通过减少医学影像应用中的领域差距来应对这一挑战。本综述针对基于深度学习的医学图像分割领域适应方法进行了重点研究。我们首先介绍领域适应的动机和背景知识，然后全面回顾了医学图像分割中领域适应应用，并最后讨论了该领域的挑战、局限性和未来研究趋势，以促进领域适应在医学图像分割的方法学发展。我们的目标是为研究人员提供关于领域适应在医学图像分割研究中的最新参考文献。

    Nov, 2023

  • 随机缺失输入数据的多域图像补全

    本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

    Jul, 2020

  • 简化多模态：使用通用领域大型语言模型在放射学中解决多模态挑战的单模态方法

    在本文中，我们介绍了 MID-M 这一创新框架，利用通用领域的大规模语言模型（LLM）的上下文学习能力，通过图像描述来处理多模态数据，其在性能上与任务特定的精调 LLMs 和其他通用领域的 LLMs 相当或更为出色，无需广泛域特定训练或多模态数据的预训练，参数更少，突出了利用通用领域 LLMs 进行领域特定任务的潜力，并为传统 LMM 发展提供了可持续和经济高效的替代方案。此外，MID-M 对于数据质量问题的稳健性证明了其在实际医学领域应用中的实用性。

    Apr, 2024

  • 基于因果推断的医学图像分割单源领域泛化

    本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

    Nov, 2021

  • 基于梯度图引导的自适应领域泛化用于跨模态 MRI 分割

    跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合，以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法，并进行了六个跨模态分割任务。在所有任务设置中，我们的方法始终优于竞争方法，并且在有限的训练数据下表现稳定。

    Nov, 2023