基于双参数磁共振成像的强化学习前列腺癌弱监督本地化

Feb, 2024

基于双参数磁共振成像的强化学习前列腺癌弱监督本地化

Weakly supervised localisation of prostate cancer using reinforcement learning for bi-parametric MR images

Martynas Pocius, Wen Yan, Dean C. Barratt, Mark Emberton, Matthew J. Clarkson...

TL;DR基于弱监督的增强学习系统用于局部化。通过引入一种新的奖励定义，我们训练了一个控制器函数，以定位图像中感兴趣的区域，并利用预训练的二元分类器生成的非二进制分类概率。我们使用肿瘤病变局部化任务在临床前列腺多参数磁共振图像的大型数据集上评估了我们提出的方法。与常用的多实例学习弱监督局部化和完全监督基线相比，我们的方法优于多实例学习，并且仅使用图像级别的分类标签进行训练，与完全监督学习表现相当。

Abstract

In this paper we propose a reinforcement learning based weakly supervised system for localisation. We train a controller function to localise regions of interest within an image by introducing a novel reward defi

reinforcement learning weakly supervised system localisation binary classifier cancerous lesion

发现论文，激发创造

Boundary-RL: TRUS 图像中弱监督前列腺分割的增强学习

我们提出了一种新颖的弱监督分割方法 Boundary-RL，该方法只利用补丁级别的标签进行训练。我们将分割视为边界检测问题，而不是像之前的工作那样像素级别的分类。我们的方法通过使用基于预训练边界存在分类器的奖励来训练一个控制器函数，从而定位感兴趣区域的边界。我们的方法在经直肠超声图像的前列腺分割这个临床相关任务上表现出了比其他弱监督方法更好的性能。

Aug, 2023

基于区域建议的显著性图细化，用于弱监督疾病定位和分类

本文介绍了一种新的方法，结合区域提议和显著性检测的方法，通过 ChestX-ray14 数据集，证明该模型在弱监督下疾病诊断和定位方面的性能已经成为新的 state-of-the-art。

May, 2020

基于位置信息的放射学报告引导的半监督学习在前列腺癌检测中的应用

通过使用未标注图像和基于病灶位置的半监督学习模型，可以改善前列腺病变检测，降低标注负担。

Jun, 2024

前列腺 MRI 和组织病理图像的弱监督配准

该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法，用于早期检测前列腺癌，可以减轻需要前列腺分割的负担，并取得了比其他方法更高的准确度。

Jun, 2021

自迁移学习用于全弱监督目标定位

本文主要研究深度学习在对象定位领域中的应用以及如何借助弱监督学习方法实现对象定位，特别关注了在医学图像分析中如何利用 self-transfer learning 方法来解决没有预先训练模型的情况。

Feb, 2016

逼近实际环境下乳腺 X 线片弱监督学习的乳腺癌预测

自动提前检测乳腺癌的方法可以显著降低死亡率，但由于太多的限制条件，这些方法在医院中的普及目前受到阻碍。本研究通过两个公共数据集和一个自有数据集的研究，在现实临床环境中应用了两级多实例学习方法，通过弱监督学习在病例级别进行乳腺癌预测，为所有患者提高预测准确性，尤其需要关注无监督 ROI 提取的研究。

Oct, 2023

结合弱监督和强监督对前列腺癌组织学图像进行分类

本研究通过联合训练两个数据集以及引入一种梯度更新机制，旨在自控弱监督信号，基于大型弱标记数据集和小型强标记数据集，自动赋予前列腺癌全层切片的格里森分数的任务。我们的方法在与标准格里森评分方法比较时取得了优异的性能。

Nov, 2018

多分辨率下的弱监督医疗诊断和定位

为解决医学影像诊断过程中对多种异常区域进行定位的难题，在仅有图像层级标签的情况下，本文提出了一种新颖的多分辨率学习模型，借助 Log-Sum-Exp 池化函数和可学习的下边界适应方法构建尖锐性先前概率，生成高分辨率的显著图，并且在解读胸部 X 光片方面取得了最新的最佳性能。

Mar, 2018

利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

Feb, 2020

基于文本引导的医学图像癌症检测增强

利用临床报告来实现弱标签监督学习以提高癌症检测的准确性。通过将诊断和肿瘤位置文本提示整合到视觉语言模型的文本编码器中，可以有效地在视觉语言模型的潜在空间中进行弱监督学习的优化，从而提高训练的稳定性。在大规模癌症数据集上的广泛数量实验结果验证了我们的方法可以将人工标注工作量减少至少 70%，同时保持与竞争的全监督方法相当的癌症检测准确性（AUC 值 0.961 vs 0.966）。

May, 2024