Oct, 2023

LMT：从单张图像预测疾病进展的纵向混合训练框架

PDF
TL;DR本研究提出了一种结合纵向成像、糖尿病视网膜病变、神经常微分方程以及 $ t_{mix} $ 增强的纵向混合训练（LMT）框架，用于检测和预测糖尿病视网膜病变的进展。结果显示，我们的纵向任务可以学习糖尿病视网膜病变的进程，并且引入 $ t_{mix} $ 增强对于时间感知模型是有益的。
longitudinal imagingdiabetic retinopathyneural ordinary differential equationlongitudinal mixing training$t_{mix}$ augmentation
发现论文，激发创造
  • LaTiM: 在连续时间模型中进行纵向表示学习用于预测疾病进展

    该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架。我们引入了一个在自监督学习（SSL）中训练的 “时间感知头”，以利用潜在空间中的时间信息来进行数据增强。与缺乏显式时间集成的传统方法相比，该方法有效地将 NODE 和 SSL 结合，提供显著的性能改进。我们利用 OPHDIAT 数据库展示了我们的策略在糖尿病视网膜病变进展预测中的有效性。与基准线相比，所有的 NODE 架构在 ROC 曲线下面积（AUC）和 Kappa 指标上都取得了统计显著的改进，突显了使用 SSL 启发式方法进行预训练的效果。此外，我们的框架促进了 NODE 的稳定训练，在时间感知建模中经常遇到的挑战中取得了突破。

    Apr, 2024

  • 使用纵向自监督学习进行糖尿病视网膜病变的检测

    本文探讨了使用纵向自监督学习方法，从连续双眼底彩色照片图像中建模糖尿病视网膜病变疾病进程以及检测早期 DR 病情的变化，实验结果表明使用 LSSL 潜在空间编码 DR 进展的动态，可以取得更好的检测效果。

    Sep, 2022

  • 利用基于 Transformer 的序列建模技术，挖掘纵向医学成像在眼部疾病预后中的潜力

    该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

    May, 2024

  • L-MAE: 长纵向掩码自编码器中的时间和严重性感知编码，用于糖尿病视网膜病变进展预测

    本文提出基于自监督学习（SSL）的预训练策略，针对医学图像的非典型性，开发了一种基于 Transformer 的纵向遮蔽自编码器 (MAE)，研究了时间感知的位置嵌入和疾病进展感知的遮蔽策略，通过评估在糖尿病视网膜病变（DR）筛查数据集上的预训练权重，证明了这些扩展显著提高深度分类模型的预测能力。

    Mar, 2024

  • 神经常微分方程的纵向自我监督学习

    本研究探索了自我监督学习算法在疾病进展方面的应用，重点研究了纵向自我监督学习算法及神经普通微分方程的潜力，并在糖尿病视网膜病变的纵向数据集上验证了相关算法，结果表明神经普通微分方程和纵向自我监督学习算法的结合潜力巨大。

    Oct, 2023

  • 基于纵向实验室检验的多任务疾病发作预测

    本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

    Aug, 2016

  • ImageFlowNet: 不规则采样的长期医学图像预测多尺度疾病进展轨迹

    通过使用神经 ODE 和 SDE 模拟疾病进展的图像流场，ImageFlowNet 框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

    Jun, 2024

  • 基于多尺度时空变换的不平衡纵向学习，用于从不规则时间序列图像预测青光眼

    青光眼预测的研究引入了基于变压器架构的多尺度时空变换网络 (MST-former)，针对时序图像输入进行了特定设计，可以在时空维度上有效地学习图像的语义信息；在不规则采样数据方面，引入了时间距离矩阵来非线性地缩放时间注意力；此外，通过温度控制的平衡 Softmax 交叉熵损失函数解决了类别不平衡问题。实验结果表明，MST-former 方法在青光眼预测方面表现出卓越的优势，AUC 值达到 98.6%；在阿尔茨海默病神经成像倡议 (MRI) 数据集上，对轻度认知损害和阿尔茨海默病的预测准确率为 90.3%，明显优于对比方法。

    Feb, 2024

  • 时间上下文的重要性：用疾病进展表示增强单张图像预测

    通过时间性影像对临床结果或疾病严重性进行预测，利用自我注意力的 TCN 和自监督的视觉 Transformer 来学习最反映疾病轨迹的表示，并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。

    Mar, 2022

  • 3DTINC: 基于时间等变非对比学习的长期 OCT 预测疾病进展模型

    提出一种基于非对比学习的新的纵向自监督学习方法 3DTINC，利用特定于 OCT 的数据增强来学习 3D 光学相干断层扫描（OCT）体积的扰动不变特征，实验证明使用这种方法学习到的时间信息对于预测视网膜疾病（如年龄相关性黄斑变性（AMD））的进展至关重要，该方法对于从纵向体积扫描中预测疾病进展有着实际意义。

    Dec, 2023