Mar, 2024

图像注释的模块化深度主动学习框架：眼科人工智能项目的技术报告

PDF
TL;DR图像标注是医学成像和疾病诊断领域中确保患者适当治疗和追踪疗程进展的最重要任务之一。通过使用深度学习的分割算法和主动学习方法，MedDeepCyleAL 提供了一个完整的端到端框架，可自动化图像标注并在眼科数据方面表现出优越性能。
image annotationdeep learningsegmentation algorithmsactive learningophthalmology data
发现论文，激发创造
  • 基于深度主动学习框架的生物医学图像分割建议性标注

    本文提供一种深度主动学习框架，基于全卷积网络和主动学习结合提供对最有效的标注区域的建议，以显著降低标注时间，测试中仅使用 50% 的训练数据，即可达到最先进的分割性能。

    Jun, 2017

  • 医学图像分析的在线主动深度学习 (O-MedAL)

    本文介绍了一种新的在线主动深度学习方法，在医学影像分析中取得了显著的性能提升，通过新的采样方法和在线学习，只需使用 25% 的标注数据，就能使深度网络的精度提高 6.30％，在二分类和多分类任务中也展现出很好的鲁棒性。

    Aug, 2019

  • 深度主动学习在医学图像分析中的综合调查

    医学图像分析中，深度学习取得了广泛成功，但标注成本高度制约了深度学习的发展，积极学习旨在选择最具信息量的样本进行标注，并尽可能使用尽量少的标记样本训练高性能模型。本综述对积极学习的核心方法、信息量评估和样本策略等进行了详细回顾，首次对积极学习与其他标签高效技术（如半监督学习、自监督学习等）的整合进行了概述，同时还重点介绍了专门针对医学图像分析的积极学习工作。最后，对积极学习在医学图像分析中的未来趋势和挑战提出了展望。

    Oct, 2023

  • ProtoAL: 面向医学成像的可解释深度主动学习与原型

    通过将可解释的深度学习模型集成到深度主动学习框架中，ProtoAL 方法旨在解决医学图像领域中当前解释性和数据需求方面的挑战，提高 DL 模型在医学领域中的实际可用性，并为数据稀缺情况下的学习提供合适的解决方案。

    Apr, 2024

  • PCDAL: 一种基于扰动一致性推动的主动学习方法应用于医学图像分割与分类

    提出了一种基于主动学习的方法，可同时应用于 2D 医学图像分类、分割和 3D 医学图像分割任务，并在三个公共的挑战性医学图像数据集上验证了其有效性。

    Jun, 2023

  • 手术视频分割的相关感知主动学习

    该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

    Nov, 2023

  • MedAL：面向医学图像分析的深度主动学习采样方法

    本文介绍了一种基于深度学习和主动学习技术的医学图像分析方法，使用 ORB 特征描述符对无标注的样本进行抽样，并通过对 3 个医学图像数据集的验证证明该方法的有效性和高效性。

    Sep, 2018

  • 深度强化主动学习多类别图像分类

    本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。

    Jun, 2022

  • 医学图像分析中深度学习的最新进展和临床应用

    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

  • 使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

    使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

    Jun, 2018