Nov, 2023

利用自动增强和搜索优化技术改进基于 Transformer 的乳腺癌诊断分割

PDF
TL;DR这篇论文介绍了一种将自动图像增强选择（RandAugment）与搜索优化策略（基于树的 Parzen 估计器）相结合的方法，用于确定图像增强数量和相关增强参数的最佳值，从而提高分割性能。在乳腺癌组织切片中经过实证验证后，我们的结果表明，这种方法使得分割模型对组织切片变异更具弹性，同时保持高水平的分割性能，并在与以往研究相比较时显示出改善的肿瘤类别分割。
breast cancerimage augmentationsegmentationhistology slidesmachine learning models
发现论文，激发创造
  • 使用已学习变换的数据增强技术进行一次性医学影像分割

    该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

    Feb, 2019

  • T-AutoML：使用 3D 医学影像变换器进行病变分割的自动化机器学习

    本文提出了一种新的自动化机器学习算法 T-AutoML，它不仅可以搜索最佳神经结构，而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先进的性能。

    Nov, 2021

  • 基于改进的 Swin Transformer 的高效肺癌图像分类与分割算法

    本文提出了一种基于有效 Transformer 模型的肺癌图像分类和分割方法，将计算机视觉技术应用于医学图像分析，可为医务人员提供高效的技术支持。在多个方面对实验结果进行了评估和比较，并证明该算法可以很好地应用于肺癌分类和分割任务。

    Jul, 2022

  • 基于视觉变换器的皮肤癌分割与分类，用于皮肤镜非侵入式数字系统的自动分析

    这篇研究论文介绍了一种开创性的方法来进行皮肤癌分类，采用了视觉转换器作为深度学习架构，在精细标注的皮肤病变图像数据集上进行预处理和训练，通过自注意机制捕捉复杂的空间依赖关系，取得优于传统深度学习架构的卓越性能，特别是 Google 基于 ViT patch-32 变体，达到 96.15% 的准确率，为皮肤科医生在皮肤癌诊断中提供了潜力巨大的有效工具。

    Jan, 2024

  • 基于卷积神经网络和测试时间增强的自动脑肿瘤分割

    本文介绍了使用深度卷积神经网络及数据增强和测试增强技术来提高脑肿瘤分割的准确性和不确定性估计。

    Oct, 2018

  • 类别特定数据增强：弥合多类乳腺癌分类的不平衡

    乳腺癌是妇女中最常见的癌症，也可见于男性，并在每年新诊断的癌症中占比超过十分之一，是妇女癌症死因的第二大常见原因。本研究采用了类别层级数据增强的方法，通过改善少数类别的检测率，使用结构保持染色归一化技术对血红蛋白和嗜酸性染剂染色的图像进行类别层级数据增强，并基于转移学习的 ViTNet 模型进行深度学习的多类别分类，以将乳腺癌图像分为良性和四种不同的恶性亚型，从而提高对乳腺癌患者的分类精度和降低乳腺癌相关的死亡率。

    Oct, 2023

  • 使用视觉 Transformer 对乳腺 MRI 中的纤维腺样组织进行分割 —— 多机构评估

    该研究开发了一种基于 Transformer 的神经网络 TraBS 用于乳腺 MRI 图像的纤维腺细胞组织分割，相比于传统的卷积神经网络 nnUNet，TraBS 的表现更好，这有助于提高乳腺 MRI 筛查中乳腺密度和背景实质增强的精度。

    Apr, 2023

  • 半监督和任务驱动的数据增强

    本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

    Feb, 2019

  • 在分割中联合优化类别特定的训练和测试时数据增强

    本文提出了一种针对医学图像分割的高效通用数据增强框架，采用了计算效率高且数据效率高的基于梯度的元学习方案，通过使用用于未见测试数据的代理验证数据明确对齐训练和验证数据的分布以改进增广策略。本文通过两个核心设计改进了当前数据增广策略，即在训练时有效学习类别特定的数据增强并联合优化训练时和测试时数据增强，实验证明该方法针对医学图像分割存在的分类不平衡问题，可显著且一致地提高分割效果。

    May, 2023

  • mmFormer：用于不完整多模态脑肿瘤分割的多模态医学 Transformer

    该研究提出了一种多模态医学 Transformer (mnFormer)，用于不完整多模态学习的脑肿瘤分割，并且该方法在 BraTS 2018 数据集上显示出了比现有方法更好的表现。

    Jun, 2022