Feb, 2024

BarlowTwins-CXR：跨领域自监督学习增强异质数据中的胸部 X 光异常定位

PDF
TL;DRBarlowTwins-CXR 通过自监督学习策略显著提高了胸部 X 射线图像异常定位的效率和准确性，超越了传统的迁移学习方法，并有效地解决了跨域场景中的领域不一致问题。我们的实验结果表明，利用自监督学习可以提高在医学环境中具有有限异构数据的模型的泛化能力。
chest x-rayabnormality localizationself-supervised learningbarlowtwins-cxrdomain inconsistency
发现论文，激发创造
  • 机器学习：从胸部 X 射线片中分割肺部异常

    CheX-nomaly 模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强 U-net 模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

    Nov, 2023

  • 胸部 X 射线图像的弱监督异常检测

    针对少样本异常图像的弱监督胸部 X 光检测方法（WSCXR）的研究。WSCXR 通过利用异常特征挖掘消除正常区域特征并采用线性混合策略增强异常特征，从而充分利用疾病区域的关键特征，实现了对异常图像的有效检测。

    Nov, 2023

  • 基于视觉变压器的自监督方法用于胸部 X 光片分类

    我们提出了一种自监督方法 DINO-CXR，通过对胸部 X 射线的分类进行自监督预训练，证明了该方法在肺炎和 COVID-19 检测方面的有效性，并在准确性方面胜过了最先进的方法，在 AUC 和 F-1 得分方面取得了可比较的结果，同时少使用了标记数据。

    Aug, 2023

  • 利用位置感知稠密网络学习识别胸部 X 光异常

    本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

    Mar, 2018

  • 利用多实例学习无需本地注释的胸部 X 光关键结果定位

    本研究提出了一种基于多实例学习的深度学习算法，可在医学影像中同时分类和定位关键病变，无需耗时昂贵的局部辅助标注，取得了在三种不同关键病变上有竞争力的分类结果。

    Jan, 2020

  • 通过对比学习提升自动胸部 X 射线诊断的公平性

    应用监督对比学习可以减轻胸部 X 射线诊断中的偏见，解决深度学习诊断方法中的公平性和可靠性问题。

    Jan, 2024

  • 基于通用跨领域多标签少样本学习的胸部 X 光图像识别

    利用少量训练数据，跨域迁移，多标签元学习等方法，提出了一个称为综合交叉域多标签少样本学习（GenCDML-FSL）的集成框架，用于胸部 X 射线异常分类，实验证明其优于传统方法。

    Sep, 2023

  • 通过内容感知的风格不变框架学习跨领域通用的胸部 X 光疾病检测

    提出了一种针对医疗图像分析中源域不匹配问题的新框架，该框架采用风格随机化模块和内容一致性正则化，旨在提取既与病理特异性有关、同时又具有域不可知特性的高级语义特征。在未经训练的测试数据集上的广泛实验表明，该方法更加健壮，达到了最先进的性能水平。

    Feb, 2023

  • 自我监督学习的无监督儿科肺结核 X 射线检测

    使用自监督学习的方法，基于 Vision Transformers，改进了胸部 X 射线上结核病的检测，实现了零样本儿科结核病的检测，证明自监督学习在结核病检测任务上的有效性。

    Feb, 2024

  • 多阶段合作学习的胸部 X 光透视与临床视觉注意预测：增强解释性

    使用新型深度学习框架，结合医生的视觉注意力图，在胸部 X 射线扫描中实现关节疾病的诊断和预测对应的视觉显著性图，提高计算机辅助诊断质量。

    Mar, 2024