基于特权医学成像信息的域泛化学习
本论文提出一种隐私保护的约束域泛化方法,通过在集中式服务端的信息聚合过程中应用新颖的梯度对齐损失,以期提高模型的泛化能力,将训练模型更好地泛化到 “未见过” 的但相关的医学图像
May, 2021
使用特权信息学习技术以解决医疗数据可用性和可访问性的问题,通过在训练过程中获取特权信息知识改善数字乳腺 X 光照片上肿瘤分割的质量,实验证明该方法在大多数情况下表现更好,F1 评分比基线模型高出 10%。
Feb, 2024
通过最大化预训练模型的互信息来重新建立目标函数,以解决领域转移在医学成像领域的问题,并在糖尿病视网膜病变分类中得到了稳定且优于先前最先进方法的结果。
Sep, 2023
本文提出了一种简单而有效的方法来提高医学成像分类中深度神经网络的泛化能力,该方法通过使用新的线性依赖正则化项进行变分编码学习代表性特征空间,以捕获从不同领域收集的医学数据之间的可共享信息。实验结果表明,与现有方法相比,我们的方法可以实现更好的跨领域泛化能力。
Sep, 2020
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
在计算机视觉领域引入了一种名为 LUPI 的学习框架,利用属性、边界框或图像标记等特权信息来加快计算机对象识别速度,探索利用多义分类和二分类最大间隔技术来提高分类器在原数据空间的分类能力。同时,研究人员发现利用特权信息能够显著提高分类精度。
Oct, 2014
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
将学习使用特权信息的理论扩展到文本分类领域,提出了一种通过文本 - 图像扩散模型生成人工特权信息的文本分类框架,并将生成的图像和原始文本样本用于训练多模态教师模型,最终将多模态教师的知识融合到文本(单模态)学生模型中,进而通过生成模型引导学生模型的训练,从而在四个文本分类数据集上取得显著的性能提升。
Sep, 2023