Feb, 2024

医学图像分析领域广义化综述

HTML
PDF
TL;DR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
发现论文，激发创造
  • 当未见领域泛化不必要时？重新思考数据增广

    本文提出了一种用于医学图像领域通用性问题的Deep Stacked Transformations (DST)方法，并通过对三种任务的测试表明，DST模型对于未曾接触的数据集性能的下降仅有11%左右，可更好地应对图像域的差异，因此可以在更临床上的任务中发挥作用。

    Jun, 2019

  • 基于线性依赖正则化的医学影像分类领域泛化

    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

  • 医学图像分析的领域自适应研究概述

    介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

    Feb, 2021

  • 临床环境中领域泛化的经验框架

    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

  • 分布中的宝藏：基于领域随机化的2D医学图像分割多源领域泛化

    本文介绍一种称为“分布宝藏”的多源域泛化方法，它采用随机样本并构造了一个前所未有的搜索空间以获得强韧性模型，为了明确学习域不变表现，进一步制定了“Style Mix”策略通过随机混合通道高效地混合特征风格。在两项医学分割任务中的广泛实验表明，TriD在看不见目标域数据上的泛化性能优于其他DG方法。

    May, 2023

  • 医学图像分析的领域泛化综述

    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

  • 救援领域转变的医疗图像自动诊断中的转诊失败

    对领域转变的医学图像中的可靠自动疾病诊断中的转诊存在重要挑战，并找到了关键应用。

    Nov, 2023

  • 医学图像分类的基于提示的潜在领域泛化

    我们提出了一种名为Prompt-driven Latent Domain Generalization（PLDG）的新型无标签领域通用化（DG）框架，通过无监督领域发现和提示学习，实现了对医学图像分类的领域通用化，并在三个医学图像分类任务和一个去偏任务上展开了广泛实验，证明了我们的方法在不依赖领域标签的情况下实现了与传统DG算法相媲美甚至更好的性能。

    Jan, 2024

  • 医学图像分类的深度学习模型泛化

    近年来，我们不断发展了大量用于医学图像分析的深度学习模型，但仍然存在诸多挑战，如模型泛化性能、性能下降原因和如何克服性能下降等。本研究回顾了基于深度学习的分类模型的泛化方法，并讨论了未来的挑战，包括改进评估协议和基准以及实现稳健、泛化的医学图像分类模型的未来发展。

    Mar, 2024

  • 统计数据的魔鬼：缓解和利用统计差异以实现可推广的半监督医学图像分割

    医学图像分割中，针对域普适性的成功，将全部源领域的体素注释作为一个巨大负担。最近提出的半监督域普适性通过利用来自多个医疗机构的有限标记数据和丰富的未标记数据来应对这一挑战，依靠精确利用未标记数据同时改善普适性。然而，我们观察到医疗机构之间的领域转换导致特征统计上的差异，使伪标签质量明显降低，由于意外的归一化过程。然而，这个现象可用于促进未知领域的普适性。因此，我们提出了多个统计个体分支来减轻领域转换的影响，以获得可靠的伪标签，并提出了一个统计聚合分支用于域无关特征学习。此外，为了模拟具有统计差异的未知领域，我们从图像水平和特征水平上采用直方图匹配的扰动和随机批归一化选择策略，生成多样化的统计信息以扩展训练分布。在三个医学图像数据集上的评估结果证明了我们的方法与最近的SOTA方法相比的有效性。

    Jul, 2024