医学图像分类的深度学习模型泛化
本研究在医学成像中提供了多源、多目标域适应和泛化问题的强大基准，通过使用10个不同胸透数据集的多样性集合，我们实证演示了在训练医学成像深度学习模型应用于不同病人群体的好处，以用于样本外的域泛化。
Apr, 2019
本研究利用3117个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。
Nov, 2019
本文提出了一种简单而有效的方法来提高医学成像分类中深度神经网络的泛化能力，该方法通过使用新的线性依赖正则化项进行变分编码学习代表性特征空间，以捕获从不同领域收集的医学数据之间的可共享信息。实验结果表明，与现有方法相比，我们的方法可以实现更好的跨领域泛化能力。
Sep, 2020
本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试，强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献，并讨论了未来研究的可能解决方案和技术挑战。
May, 2021
深度生成模型在医学图像增强中的应用和潜力是本综述的重点，旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能，涵盖了三种类型的深度生成模型：变分自编码器、生成对抗网络和扩散模型。
Jul, 2023
通过使用自然语言概念，我们提出了一种建立强大而可解释的医学图像分类器的新范式，有效地解决了深度学习模型在医疗行业应用中学习虚假相关性而不是期望特征以及缺乏可解释性的问题。
Oct, 2023
医学图像分析（MedIA）是医学和医疗中不可或缺的工具，对疾病诊断、预测和治疗计划有所助益，深度学习（DL）取得的重大成就对其发展作出了显著贡献。然而，用于MedIA的DL模型在实际情况中仍然具有挑战性，在训练和测试样本之间的分布差异下无法进行泛化，也即所谓的分布偏移问题。本文综述了专门针对MedIA的领域泛化研究，全面地回顾了领域泛化技术在更广泛的MedIA系统中的相互作用，超越方法论，考虑到对整个MedIA工作流程的操作影响。具体而言，我们将领域泛化方法分为数据级、特征级、模型级和分析级方法。我们展示了这些方法如何在MedIA工作流程的不同阶段中使用，从数据获取到模型预测和分析。此外，我们还包括了用于评估这些方法的基准数据集和应用，并分析了各种方法的优缺点，揭示了未来的研究机会。
Oct, 2023
医学人工智能算法的泛化水平可以通过建立一个分层三级评估系统来反映，该系统更好地反映了真实医疗情境的多样性，其中用于重新校准模型的目标领域数据可能可用也可能不可用，并且如果可用的话，可能或可能不会系统地提供参考标签。
Nov, 2023
医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个GitHub项目，收集了相关资源，链接为：https://this-URL-github-project
Feb, 2024