Mar, 2024

基于分布数据分析的异质图像分类

PDF
TL;DR通过开发新的基于图像的分布数据分析方法，结合概率分布和像素级特征的定量回归模型，该论文在肝癌中实现了预测肿瘤分级变化的风险预测，同时改善了敏感性和特异性，为基于图像的早期检测和风险预测提供了优势。
diagnostic imagingbiomarkersdistributional data analysisquantile distributionrisk prediction
发现论文，激发创造
  • 基于差异的脑 MRI 病变检测扩散模型

    本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测，通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。通过在包含脑肿瘤检测的多模态 MRI 扫描的 BRATS2020 基准数据集上进行的详尽实验，证明了我们方法与当前方法相比的良好性能。

    May, 2024

  • 基于直方图和扩散的医疗异常检测

    基于直方图和扩散的方法相结合，该研究旨在通过对医学图像进行无监督异常检测，探索并提出后处理步骤以提高医学图像中异常检测的性能。

    Oct, 2023

  • 基于 DDPM 衍生内容和 Transformer 的盲 CT 图像质量评估

    通过模拟人类视觉系统的运作特征，引入一种创新的盲目图像质量评估度量，该度量通过构建主动推断模块和利用失真图像与主要内容之间的相互关系来提高低剂量计算机断层扫描感知图像质量评估的性能。

    Oct, 2023

  • 半监督医学图像分类的类别特定分布对齐

    提出一种基于自我训练的半监督学习框架，通过改变向量空间中边缘预测的基础，捕捉有关标记和未标记数据的类依赖性边缘预测，以避免对多数类别的偏见，从而解决医学图像分类中的数据注释耗时和类别分布不平衡的问题。

    Jul, 2023

  • MD-IQA: 学习多尺度分布式图像质量评估与半监督学习在低剂量 CT 中的应用

    通过引入多尺度分布回归方法、设计双分支对齐网络以及半监督学习，我们提出的方法在深度学习为基础的医学图像质量评估方面取得了显著的进展。

    Nov, 2023

  • 半监督医学图像分割与协同分布对齐

    本文提出了一种基于 Co-Distribution Alignment (Co-DA) 的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公共数据集上优于现有半监督医学图像分割方法。

    Jul, 2023

  • 医学图像标准化和增强的潜在扩散模型

    使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。

    Oct, 2023

  • 增强的分布对齐用于后训练量化扩散模型

    优化的分布对齐方法可用于增强扩散模型的后训练量化，从而解决现有方法中存在的分布不匹配问题，提高在噪声估计任务中的性能，并在低位精度情况下超过完整精度模型的性能。

    Jan, 2024

  • FEDD -- 公平、高效和多样化的基于扩散的病变分割与恶性分类

    通过公正、高效和多样化的基于扩散的皮损分割和恶性分类方法，实现了对多种皮肤黑色素疾病的准确识别和分类，并且通过线性示踪技术在多种皮肤色调和罕见疾病情况下表现出最新技术水平，大大提高了恶性分类的准确性。

    Jul, 2023

  • 基于图像的无分布不确定性回归及在成像中的应用

    通过引入不确定性量化技术，提供了一种给图像到图像回归问题提供统计保障的方法，使得能够对每个像素进行不确定性区间估计，并且保证这个估计在给定的置信度下包含了真实值。

    Feb, 2022