Feb, 2024

INSITE: 使用子模函数和半监督数据编程对医学图像进行标注

PDF
TL;DR在资源受限的环境中，利用有限的标注数据和领域专家的注释，通过有信息的子集选择和半监督数据编程方法，使用少量的样例图像来训练深度模型，取得了比其他半监督方法更好的结果。
labeled datadeep modelsmedical imagingsubmodular functionssemi-supervised data programming
发现论文，激发创造
  • 子集选择的半监督数据编程

    本文提出了一种半监督的数据编程范式，使用规则 / 标注函数和半监督损失函数基于特征空间学习联合模型，此外，还研究了在联合半监督数据编程目标之上进行子集选择的模型，并在七个公开数据集上表现显著优于其他状态下的模型。

    Aug, 2020

  • 用于目标数据子集选择的次模互信息

    本篇研究利用 Submodular Mutual Information 函数通过有目的性地选择数据子集的方式解决了深度学习模型训练中的数据问题，并且在 CIFAR-10 和 MNIST 数据集上的图像分类任务中证明了其有效性，并和其他相关方法如主动学习进行了对比，结果显示 SMI 函数相比其他方法提升了 20-30% 的分类性能。

    Apr, 2021

  • 半监督和自监督学习在医学图像上的准确率与时间前沿

    对医学图像分类应用进行的研究表明，使用未标记的数据可以提高分类器的性能，通过自监督学习和半监督学习的方法，本研究在医学图像领域设计了一个基准测试，发现 MixMatch、SimCLR 和 BYOL 方法是强有力的选择，并提供适用于新医学任务的设置以及进一步搜索的方法。

    Jul, 2023

  • 训练，学习，扩展，重复

    这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。

    Mar, 2020

  • 向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

    自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

    Nov, 2023

  • 无监督选择性标记以实现更有效的半监督学习

    本文介绍了一种基于聚类原型的无监督选择性标注方法，通过它来提高半监督学习的效率。该方法能够在没有标记数据的情况下，选择代表性和多样性数据作为标记数据，显著改进了现有的半监督学习方法的性能。

    Oct, 2021

  • 每个注释都很重要：医学图像分割的多标签深度监督

    本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

    Apr, 2021

  • 通过 Infimum Loss 实现部分标注的结构化预测

    本文提出了一种基于结构化预测和概念的下确界损失的统一框架，以处理一系列学习问题和损失函数中的部分标注，其中监督以包含实际标签的标签集的形式呈现，并且明确的算法可以轻松实现，并且证明了统计一致性和学习速率。实验证实所提出的方法优于常用的基准方法。

    Mar, 2020

  • 一种适用于半监督医学图像分割的多功能范式

    通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到 2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

    Nov, 2023

  • 利用特权信息增强伪标记及其在原位测序图像中的应用

    本文提出一种半监督学习的策略，通过使用先验信息（privileged information）对教师伪标记（teacher's pseudo-labeling）进行增强，解决空间转录组学中对原位测序（In-Situ-Sequencing）图像进行半监督目标检测（semi-supervised object detection）中的条形码解码问题。

    Jun, 2023