使用生成的呼吸声进行对抗性微调以解决类别不平衡问题

Nov, 2023

使用生成的呼吸声进行对抗性微调以解决类别不平衡问题

Adversarial Fine-tuning using Generated Respiratory Sound to Address Class Imbalance

June-Woo Kim, Chihyeon Yoon, Miika Toikkanen, Sangmin Bae, Ho-Young Jung

TL;DR我们提出了一种简单而有效的深度生成模型，用于增强医学影像中的数据稀缺问题，并通过对抗性微调方法在呼吸音分类上取得了优越的性能。

Abstract

deep generative models have emerged as a promising approach in the medical image domain to address data scarcity. However, their use for sequential data like respiratory sounds is less explored. In this work, we

deep generative models medical image respiratory sounds adversarial fine-tuning icbhi dataset

发现论文，激发创造

基于音频谱图变换的 Patch-Mix 对比学习在呼吸音分类中的应用

这项研究使用深度学习算法和新型增强技术，通过预处理于视听数据集上的模型实现了高效的呼吸声分类以及肺病诊断，取得了 ICBHI 数据集上 4.08% 的最高成绩。

May, 2023

基于听诊器引导的监督对比学习在呼吸音分类的跨领域适应中的应用

通过跨领域适应技术，结合监督对比学习方法，本研究在呼吸音分类领域取得了显著进展，成功减少了不同电子听诊器录制的呼吸音之间的领域依赖并实现了 61.71% 的 ICBHI 得分，相较于基线模型的 2.16% 有了显著提升。

Dec, 2023

可穿戴设备中的呼吸音分类深度神经网络，通过患者特定模型调整实现

本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

Apr, 2020

利用卷积神经网络和变分自编码器检测呼吸系统疾病的方法

通过呼吸音检测病理学，使用 ICBHI 基准数据集，利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态，取得了高达 0.993 F-Score 的分类结果。

Feb, 2024

使用对抗样本进行训练增强的鲁棒语音识别

本文探讨了使用对抗性样本在训练语音识别系统中以增强深度神经网络声学模型的鲁棒性，结果表明相对于传统的数据通过数据转换技术实现的增强，动态利用当前声学模型参数生成对抗性样本的方法在 Aurora-4 和 CHiME-4 单通道实验中具有显著的改善表现。此外，将对抗性样本与老师 / 学生培训相结合，可以进一步提高识别准确率，Aurora-4 相对误差率降低了 23%。

Jun, 2018

使用数据模拟进行非监督噪声适应

本文提出利用生成式对抗网络实现深度神经网络的非监督噪声自适应问题，成功地解决了训练 - 测试数据集之间的偏差，提高了语音增强模型的性能。

Feb, 2023

优化音频增强对健康相关声音的对比学习

通过使用自我监督学习框架 SimCLR 和 Slowfast NFNet，我们对健康声学进行了对比学习，在各种健康应用中展现了更好的性能，同时深入分析了音频增强策略的有效性。发现组合使用增强策略可以产生超出每个策略单独应用时的协同效应。

Sep, 2023

RepAugment：面向输入的表示层数据增强用于呼吸音分类

探索预训练语音模型在呼吸音分类中的有效性，并提出了能够处理预训练语音波形的输入不可知表示级别增广技术。实验结果表明，该方法优于 SpecAugment，在少数疾病类别的准确性上实现了显著改善，最高达到 7.14%。

May, 2024

合성医学影像的质量如何？肺部超声的实证研究

通过使用生成模型中的合成训练数据，本研究提出了一个全面框架，以提高医学图像分析的模型开发效果，同时解决数据稀缺、数据不平衡和患者隐私问题。通过在各种规模的数据集上进行测试，我们展示了生成模型作为数据增广方法的优势，以及通过敌对方法保护患者隐私以及使用实际留存数据进行模型测试的新型性能指标。我们证明了使用合成数据和真实数据进行训练优于仅使用真实数据进行训练，并且仅使用合成数据进行训练的模型接近仅使用真实数据进行训练的模型。

Oct, 2023

通过对抗训练进行无监督逆域自适应，用于合成医学图像

提出了一种采用反向流的替代框架，其中采用对抗性训练使真实医学图像更像合成图像，并假设通过自我正则化可以保留临床相关特征。用这种方法解决了内窥镜深度估计这一困难任务，证明了这种领域自适应图像可以通过训练用合成图像构建的网络来准确地解释。

Nov, 2017