MRI 数据处理的机器学习技术在不断扩展的规模下的应用
本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示,不需手动干预或前提领域知识,该方法表现出与 FreeSurfer 特征一致的分类任务性能,并可用于重建脑部图像。
May, 2018
概述了近年来机器学习在医学图像处理和分析领域的应用,特别关注深度学习在 MRI 中的应用,以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。
Nov, 2018
通过研究 Kolesnikov 等人介绍的大规模预训练网络在胸部放射学、乳腺 X 线检查和皮肤科中的转移表现以及其在医学领域中的重要特性,我们发现,将自然图像转移到医学图像中是非常有效的,但只有在足够大的规模下才能实现。
Jan, 2021
通过采用 Ensemble-Based Federated Learning(EBFL)框架,该研究实现了用于检测脑瘤的精确和可靠的诊断方法,达到了 94% 的全局模型精度和 96% 的集成模型精度。
Mar, 2024
综合评估医疗机器学习的基准,提出一种基于医学信息志 (MIMIC-III) 的基准,让我们可以直接比较预测性能,并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现,在这些任务上,尽管社区参与度高,但在过去的三年里,几乎没有真正显著的进展。通过我们的元分析,我们发现,深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果,提出未来医学机器学习基准所需的理想特性。
Oct, 2020
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
本文综述了联邦学习在医学图像分析中的最新发展,介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机,分类总结了现有的联邦学习方法,并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾,同时进行了实验以评估联邦学习方法在医学图像分析中的应用。
Jun, 2023
本文提出一种基于多重数据结构的医学图像格式表示方法,它在医学图像中保留额外的元数据信息,并使用多层神经网络定义了自己的本体论来帮助分类医学图像中的对象。此外,研究人员还在云端使用 MapReduce 范例来改善数据处理速度,同时提出了一种基于去重的数据压缩方法以优化数据传输,该方案在多站点云环境中测试得到了验证。
Apr, 2023
基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念,展示了对人类心血管疾病和健康的全面评估;我们的模型在美国的四个大型学术临床机构的数据上训练和评估,并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能,实现了包括左心室射血分数回归和 35 种不同病症(如心脏淀粉样变及肥厚型心肌病)的诊断等一系列任务,显示出对人类心血管疾病的复杂性的理解能力,并在仅需要一部分通常用于这种任务的训练数据的情况下,实现了令人印象深刻的临床级诊断准确率。
Dec, 2023
提出了一种联邦学习框架,可以安全地访问和元分析任何医学数据,探究神经系统疾病的关系。该框架在合成数据和多中心和多数据库的研究中进行了测试,表明了在分布式分析多中心队列中的进一步应用的潜力。
Oct, 2018