Feb, 2024

DiCoM -- 提高胸部 X 射线研究普适性的多样概念建模

PDF
TL;DRChest X-Ray used in diagnosis and prognosis of lung and heart conditions. Introducing Diverse Concept Modeling (DiCoM) for self-supervised pre-training of CXR data, achieving robust performance in downstream tasks and outperforming other pre-training strategies.
chest x-rayself-supervised pre-trainingdiverse concept modelingdownstream taskspre-training strategies
发现论文，激发创造
  • MoCo-CXR: MoCo 预训练提高了胸部 X 射线模型的表示和可迁移性

    本文介绍了使用对比学习方法 Momentum Contrast（MoCo）的改进版本 MoCo-CXR，将其应用于胸部 X 线检测的路径学疾病识别，并探讨了其对预训练模型表征和初始化的改进效果，结果表明 MoCo-CXR 的预训练模型优于未经过 MoCo-CXR 的模型，并证明预训练模型提供的最大好处是能够应用于胸部 X 线数据集和任务的模型表征和可转移性。

    Oct, 2020

  • 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

  • UniChest: 多源胸部 X 射线分级的征服和分割预训练

    利用多模态信息的视觉语言预训练（VLP）在自然领域的视觉识别和胸部 X 射线（CXR）的医学影像诊断方面取得了重大成功，在单个 CXR 数据集的探索方面取得了良好的前景，但目前的工作主要关注单个 CXRs 数据集的探索，这限制了该强大范式在更大规模的多源 CXRs 数据集上的潜力。为了解决这个困境，我们设计了一个征服与分割的预训练框架，称为 UniChest，旨在充分利用多个源 CXRs 的协作优势，同时减少源异质性的负面影响。

    Dec, 2023

  • RoentGen: 胸部 X 光图像生成的视觉语言基础模型

    本研究提出了一种策略来克服大规模自然 - 医学分布偏移，并使用预先训练的潜在扩散模型在公开可用的胸部 X 射线（CXR）及其对应的放射学（文本）报告语料库上进行调整，评估了生成的高保真 CXR 的图像质量和文本 - 图像对齐的能力，并观察到使用数据增强的方式训练动态成像分类器的证据。

    Nov, 2022

  • 如何训练您的 CheXDragon：为转移至新任务和医疗系统训练胸部 X 光模型

    本研究探讨了多种监督和自我监督预训练策略在医疗图像多模式数据上的性能表现，并对其在新任务和医疗保健系统中的表现进行了评估和实验，结果表明多模式 SSL 性能优于单模式 SSL，并提供了适用于面对这些限制的场景的替代模型建议。

    May, 2023

  • 利用文本概念解释胸部 X 光病理模型

    本文提出了利用已有的视觉 - 语言模型 (Visual-Language Model, VLM) 联合嵌入空间的概念对立解释来解释黑盒分类器结果的方法，无需注释的数据集。通过利用胸部放射学报告中的文本概念和基于胸部放射学的预训练 VLM，解释了三种常见的心胸病理，证明了我们的方法生成的解释在语义上是有意义的，忠实于潜在的病理。

    Jun, 2024

  • MLVICX：胸部 X 光自监督表示学习的多层方差 - 协方差探索

    利用 MLVICX 来增强自监督胸部 X 射线数据的表现力并取得 3% 以上的性能提升。

    Mar, 2024

  • 基于生成预训练的人工智能放射学图像解读中的患者特定干扰因素重建

    在医疗图像分类中，基于扩散模型的预训练方法（如 DiffChest）能够准确识别混杂因素、提供洞察力，并在诊断多种胸部疾病方面取得了相当不错的准确性。

    Sep, 2023

  • 如何驾驭胸部 X 光数据的长尾？

    通过为模型选择更接近目标数据集领域的初始化方法，结合已有文献中的技术，以及利用合成数据增强尾部标签，可以显著提高深度学习模型在胸部 X 光图像中推断罕见异常的性能。

    Sep, 2023

  • 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

    BarlowTwins-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。

    Feb, 2024