Feb, 2024

利用特权信息学习数字乳房 X 光片肿瘤分割

PDF
TL;DR使用特权信息学习技术以解决医疗数据可用性和可访问性的问题，通过在训练过程中获取特权信息知识改善数字乳腺 X 光照片上肿瘤分割的质量，实验证明该方法在大多数情况下表现更好，F1 评分比基线模型高出 10%。
发现论文，激发创造
  • 基于特权医学成像信息的域泛化学习

    使用特权信息（如肿瘤形状或位置）来预测光学相干断层扫描中内层视网膜流体的严重程度，使深度学习模型在超出分布数据上的分类准确率从 0.911 提高到 0.934，为其他需要泛化的医学问题的特权信息使用提供了一个强有力的起点。

    Nov, 2023

  • 利用生成的特权信息进行学习：基于文本到图像的扩散模型

    将学习使用特权信息的理论扩展到文本分类领域，提出了一种通过文本 - 图像扩散模型生成人工特权信息的文本分类框架，并将生成的图像和原始文本样本用于训练多模态教师模型，最终将多模态教师的知识融合到文本（单模态）学生模型中，进而通过生成模型引导学生模型的训练，从而在四个文本分类数据集上取得显著的性能提升。

    Sep, 2023

  • 学习转移特权信息

    在计算机视觉领域引入了一种名为 LUPI 的学习框架，利用属性、边界框或图像标记等特权信息来加快计算机对象识别速度，探索利用多义分类和二分类最大间隔技术来提高分类器在原数据空间的分类能力。同时，研究人员发现利用特权信息能够显著提高分类精度。

    Oct, 2014

  • 分享生成模型而不是私人数据：乳腺 X 光片补丁分类模拟研究

    通过研究利用深度学习的计算机辅助检测系统尽早检测乳腺癌在改善疗效和降低死亡率方面具有潜在优势，但限于数据的数量和异质性，我们提出了使用生成敌对网络的训练生成器来从多个中心共享数据，以此作为代替真实患者数据的潜在解决方案，在两种分类模型下，我们的实验表明，共享的生成敌对网络显著提高了变压器和卷积分类模型的性能，突出了这种方法作为中心之间数据共享的可行替代方法。

    Mar, 2022

  • 数据聚类的特权信息

    本文研究了 Vapnik 的主人公学习理念及其在无监督学习中使用的相关学习。通过提出的 aRi-MAX 方法，KMeans 算法的稳定性得到了改善，并在人工数据集上实现了最佳聚类解的识别。随后，提出了一种基于信息论点积的算法 P-Dot，能够利用各种聚类技巧，单独或组合使用，以融合特权数据和技术数据，以提高聚类效果。文中通过对数字识别任务的应用验证了这些方法在实际情况下的适用性。

    May, 2013

  • 基于半监督知识迁移的深度学习私有训练数据共享

    本研究提出了一种称为私有教师集成（PATE）的方法，通过多个使用不同数据集训练的模型进行加密学习，从而实现对模型训练数据的隐私保护，达到最新的隐私 / 效用平衡，且适用于包括非凸模型在内的任何模型。

    Oct, 2016

  • 隐私保护的联邦脑肿瘤分割

    本文研究采用差分隐私技术以保护病人数据在联邦学习架构中的隐私泄露问题。在对 BraTS 数据集上的脑瘤分割进行实验后，我们发现隐私保护代价与模型性能之间存在权衡。

    Oct, 2019

  • 可解释的医学图像分类利用原型学习和特权信息

    探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

    Oct, 2023

  • 自适应 SVM+：使用特权信息进行域自适应学习

    本文提出了 Adaptive SVM + 的学习范式，利用特权信息来进行视觉识别任务的域适应设置，取得了在 Animals with Attributes and INTERACT 数据集上的最新成果。

    Aug, 2017

  • 医学图像分割中的无监督偏差发现

    通过数值实验在合成和真实场景中展示了我们的方法能够在没有真实标签的情况下成功预测公平性问题，这在该领域中是一种新颖且有价值的工具。

    Sep, 2023