裂变融合：快速生成几何体和分层识别用于医学图像分析

Mar, 2024

裂变融合：快速生成几何体和分层识别用于医学图像分析

FissionFusion: Fast Geometric Generation and Hierarchical Souping for Medical Image Analysis

Santosh Sanjeev, Nuren Zhaksylyk, Ibrahim Almakky, Anees Ur Rehman Hashmi, Mohammad Areeb Qazi...

TL;DR通过采用层次化合并方法和周期性学习率调度器，本研究在医学图像领域得到显著的性能提升，比模型组合方法在多个数据集上（如 HAM10000 和 CheXpert 数据集）提高了 6%，同时保持了低的计算成本。

Abstract

The scarcity of well-annotated medical datasets requires leveraging transfer learning from broader datasets like ImageNet or pre-trained models like CLIP. model soups averages multiple fine-tuned models aiming to

medical datasets transfer learning model soups hierarchical merging approach cyclical learning rate scheduler

发现论文，激发创造

一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

使用多尺度特征抽象技术分割部分标记的多器官数据集

本文提出了一种多尺度深度神经网络结构，利用多个部分标注的数据集进行多器官图像分割的训练，采用金字塔输入和特征分析结合的方法解决了来自不同尺度的特征融合所带来的语义鸿沟问题，并引入深度监督机制和自适应加权层，通过实现了 Pyramid Input Pyramid Output Feature Abstraction Network (PIPO-FAN)，在四个公开数据集上达到了非常好的效果。

Jan, 2020

通过模型自我消歧来学习多源数据的多功能医学图像分割

通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

Nov, 2023

多维融合与一致性的半监督医学图像分割

本文介绍了一种新颖的针对医学图像分割的半监督学习框架，核心是创新的多尺度文本感知 ViT-CNN 融合方案，该方案巧妙地结合了 ViTs 和 CNNs 的优势，充分利用了视觉 - 语言模态中的互补信息。进一步丰富我们的框架，我们提出了多轴一致性框架，生成稳健的伪标签，从而提升了半监督学习过程。我们在多个常用数据集上进行了广泛的实验，这些实验无可辩驳地证明了我们方法的有效性。

Sep, 2023

连接点：基于图神经网络的医学图像集成与分类

利用图神经网络对医学图像进行特征提取和模型关系建模，以提供一种经济可行且可扩展的医学图像分类策略，显著减少对大量训练数据集的依赖。

Nov, 2023

适应性基于亲和力的 MRI 图像分割在资源有限环境下的泛化

通过基于关系的知识框架和轻量级模型，实现了医学图像分割领域中的多种数据源的集成，提高了模型的泛化能力和适应性，同时减少了推理时间和存储使用，成为实时医学图像分割的实用和高效的解决方案。

Apr, 2024

医学图像半监督分割中的变换一致自组织模型

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

基于知识驱动的子空间融合和梯度协调的多模态学习

通过分解组织学图像和基因组学的特征子空间，反映不同的肿瘤和微环境特征，我们提出了一种生物解释性和稳健的多模态学习框架，以高效地整合组织学图像和基因组学，从而解决了肿瘤生态系统中肿瘤和微环境共同增加恶性的内在复杂性问题。

Jun, 2024

医学图像中高效的子类分割

文章中提出了一种新的方法来实现医学影像的细粒度子类分割，通过利用任务驱动的数据生成方法、先验拼接模块以及分层混合模型等技术手段，使模型在有限的子类注释数据和充分的高层次注释数据下实现与仅采用子类注释数据相近的结果。

Jul, 2023

基于多任务相关学习的多模态融合框架在癌症预测中的应用

基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类，基于 The Cancer Genome Atlas (TCGA) 的实验结果表明，MultiCoFusion 的表现优于传统的特征提取方法。

Jan, 2022