3DTINC: 基于时间等变非对比学习的长期 OCT 预测疾病进展模型

Dec, 2023

3DTINC: 基于时间等变非对比学习的长期 OCT 预测疾病进展模型

3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease Progression from Longitudinal OCTs

Taha Emre, Arunava Chakravarty, Antoine Rivail, Dmitrii Lachinov, Oliver Leingang...

TL;DR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。

Abstract

self-supervised learning (SSL) has emerged as a powerful technique for improving the efficiency and effectiveness of deep learning models. Contrastive methods are a prominent family of SSL that extract similar representations of two augmented views of an image while pushing away others

self-supervised learning contrastive methods 3dtinc retinal diseases longitudinal volumetric scans

发现论文，激发创造

视网膜 OCT 中退行性疾病进展的时间等变对比学习

我们提出了一种时间等变对比学习方法，通过引入时间诱发的转换来捕捉纵向成像过程中的变化，该方法在大规模纵向数据集上优于现有的等变对比方法，用于预测中间年龄相关性黄斑变性（AMD）转为先进型湿型 AMD 的进展。

May, 2024

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

有限标注医学图像分割的全局和局部特征的对比学习

本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

Jun, 2020

利用时间相关的医学影像进行对比学习：以胸部 X 光肺部分割为例的案例研究

本研究提出了一种名为 CL-TCI 的对比学习框架，与 MoCo 和 SimCLR 两种方法相结合，利用医学图像中的时间相关性信息，成功地使得在三个胸部 X 射线数据集上的肺部分割结果优于没有任何时间相关性的对比学习基线。

Sep, 2021

克服自监督对比学习在医学图像分割中的尺寸坍塌问题

本文研究将对比学习应用于医学图像分析领域，发现在医学图像上应用最先进的对比学习方法 MoCo v2 存在维度坍缩问题，并提出了局部特征学习和特征去相关两项关键贡献，实验证明这两个贡献显著提升了模型在医学分割任务的性能。本研究突显了将自监督学习技术有效适应医学图像任务特征的重要性。

Feb, 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

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

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

基于时间距离视觉变换器的纵向计算机断层扫描在肺癌诊断中的应用

通过两种时间距离视觉变换器的解释，本研究对广泛的长期医学影像进行了创新性的分类，并在 CT 肺筛查研究中取得了成功，优于横截面方法。

Sep, 2022

视网膜 OCT 高效预测模型的预训练 2.5D 深度模型

在医学影像领域，3D 深度学习模型在构建疾病进展预测模型方面起着重要作用。然而，这些模型的规模在计算资源和数据需求方面带来了重大挑战。为了解决这些问题，2.5D 方法提供了一种有效的利用 3D 体积数据的方式。结合 2D 和 3D 技术为优化性能并降低内存需求提供了一条有前景的途径。在本文中，我们探索基于卷积神经网络（CNNs），长短期记忆（LSTM）和 Transformer 的 2.5D 架构。此外，利用近期的 2D 非对比性预训练方法，我们进一步提高了 2.5D 技术的性能和数据效率。我们在两个大型纵向光学相干断层扫描（OCT）数据集上展示了架构和相关预训练在预测湿性年龄相关性黄斑变性（AMD）的六个月内进展方面的有效性。

Jul, 2023