Dec, 2023

学习胸部放射学的解剖一致嵌入

PDF
TL;DR本文针对医学图像分析引入了一种新的自监督学习方法 PEAC（解剖一致性的图块嵌入），通过稳定的基于网格的匹配学习全局和局部一致性，并广泛证明了 PEAC 相比现有最先进的完全 / 自监督方法在性能上明显更好，而且能够捕捉同一患者和不同性别、体重、健康状况的患者视图中的解剖结构一致性，提升了我们方法在医学图像分析中的可解释性。
self-supervised learningsslpeacanatomical consistencymedical image analysis
发现论文，激发创造
  • 自监督学习中的解剖不变建模与语义对齐在三维医学图像分割中应用

    本研究提出了一种新的自我监督学习框架 ——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了 3D 医学图像分割下的性能表现，超过之前的同类方法。

    Feb, 2023

  • AstMatch：用于半监督医学图像分割的对抗自训练一致性框架

    在本研究中，我们提出了一种对抗自我训练一致性框架 (AstMatch)，通过设计对抗一致性正则化方法增强知识传递，并在不同扰动强度下增强预测一致性，应用特征匹配损失进行对抗训练以获得高层一致性正则化，并引入金字塔通道注意力和高效通道空间注意力模块改进鉴别器性能，在众多半监督学习方法和三个公开数据集上进行广泛评估实验结果显示，AstMatch 的表现优于现有方法，达到了新的最优性能。

    Jun, 2024

  • DrasCLR: 一种用于三维医学图像学习疾病相关和解剖学特定特征的自监督框架

    本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

    Feb, 2023

  • 自监督学习放射学图像像素级解剖嵌入

    Self-supervised Anatomical eMbedding (SAM) is introduced to extract semantic embeddings for imaging pixels with intrinsic structures, which can be used to locate body parts in other images by nearest neighbor searching, surpassing supervised methods trained on 50 labeled images with only one labeled template image and being effective in improving image registration and initializing CNN weights.

    Dec, 2020

  • 医学图像分割的自我监督对齐学习

    最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

    Jun, 2024

  • 三维医学图像的一致性半监督分割

    本文提出了一种用于 3D 医学图像分割的半监督学习方法 --TraCoCo，并将传统的均方误差 Semi-Supervised Loss 替换为新的交叉模型置信二元交叉熵损失（CBC），该方法采用不同的空间输入上下文扰动视图，使模型能够从视觉对象中学习分割模式，并通过 CutMix 数据增强进一步提高预测的泛化能力。结果表明，该方法在 Left Atrium 和 Brain Tumor Segmentation 数据集中取得了最先进的效果。

    Mar, 2022

  • PCRLv2：用于自监督预训练的医学图像分析统一视觉信息保护框架

    提出了一个基于像素恢复和多任务优化的统一半监督学习框架，用于医学图像分析，并在包括脑部肿瘤分割，胸部病理学识别和肺部结节检测在内的各种任务中取得了优于其他自监督学习方法的表现。

    Jan, 2023

  • 野外匹配：学习用于多模态图像的解剖嵌入

    为了解决不同 FOV 的图像对齐问题，本文提出了一种名为 Cross-SAM 的新方法，该方法利用嵌入学习和 CT-MRI 注册的迭代过程，以实现跨模态匹配，并在 CT-MRI 仿射注册数据集上表现出鲁棒性，明显优于其他方法，达到了最先进的性能。

    Jul, 2023

  • 具有不确定性感知上下文稳定器的像素全局自监督学习

    本文提出了一种基于 SSL（自监督学习）的方法，通过全局一致性和像素级局部一致性来捕捉不同增强视图之间的一致性，引入了基于不确定性的上下文稳定器，使用 MC dropout 来衡量不确定性，并自适应平衡不同视图中相同像素的表征之间的差异。

    Oct, 2022

  • 基于自监督学习的病灶检索

    基于内容的图像检索（CBIR）与自我监督学习（SSL）加速临床医生对相似图像的解读，无需手动标注。通过将对比学习 SimCLR 应用于 CBIR，并采用广义平均（GeM）池化和 L2 归一化进行病变类型分类和检索相似图像，结果显示性能有所提升。此外，我们还构建了一个开源的图像分析和检索应用，易于集成，减轻了手动工作量，可能支持临床医生的日常活动。

    Nov, 2023