Apr, 2024

重新思考模型原型设计：通过MedMNIST+数据集集合

HTML
PDF
TL;DR该研究提供了一个全面的基准测试，用于多样化评估医学图像分类的常见卷积神经网络和Transformer-based模型，并发现计算效率高的训练方案和现代基础模型在减少昂贵的端到端训练和资源精细的方法之间具有潜力。此外，研究结果表明，较高分辨率未必在一定阈值之上始终提高性能，提倡在原型阶段尤其使用较低分辨率以加快处理速度。同时，该研究也确认了卷积模型与ViT-based模型的竞争力，强调了不同模型架构的内在能力的重要性。希望该研究的标准化评估框架能够提高MedMNIST+数据集以及未来研究的透明度、可复现性和可比性。
发现论文，激发创造
  • 评估机器学习在纵向电子医疗数据上的进展

    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

  • MedMNIST分类十项全能竞赛：医学图像分析轻量级自动机器学习基准测试

    MedMNIST是一个包含10个已预处理的医学开放数据集的标准化集合，可用于医学图像分析的多模式机器学习和自动机器学习的教育目的、快速原型设计和基准测试等。

    Oct, 2020

  • MedMNIST v2 -- 二维和三维生物医学图像分类的大规模轻量级基准

    介绍了一个类似于MNIST的大规模医学图像数据集MedMNIST v2，包括12个2D数据集和6个3D数据集，经过预处理的图像大小为28x28或28x28x28，支持多种数据集规模和任务，并提供了基准方法 （2D/3D神经网络和开源/商业AutoML工具）进行分类任务。可用于医学图像分析，计算机视觉和机器学习等领域的研究和教育目的。

    Oct, 2021

  • BenchMD：面向医学影像和传感器的模态不可知学习基准测试

    提出了一个名为BenchMD的基准测试平台，旨在评估面向临床任务的多个医疗模态数据上的通用AI算法如何处理，包括使用modality-agnostic方法和self-supervised learning技术，研究结果表明当前没有一种方法可以在所有模态上实现出色性能。

    Apr, 2023

  • LVM-Med：通过二阶图匹配学习用于医学影像的大规模自监督视觉模型

    LVM-Med是第一个在大规模医学数据集上训练的深度网络家族，并使用一种新的自监督对比学习算法来优化训练，实验结果表明，在处理医学任务时，LVM-Med相比于其他现有模型可以获得更好的表现。

    Jun, 2023

  • 医学影像数据增强的深度学习方法综述

    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

  • AAPM深度生成模型学习医学图像统计的大挑战报告

    2023 AAPM颁发的关于深度生成建模学习医学图像统计的特别报告指出需要通过分析相关图像统计数据来评估深度生成模型在医学成像中的性能，另外还发现不同的深度生成模型存在类似的人工瑕疵。

    May, 2024

  • MedMNIST-C: 通过模拟真实图像损坏的全面基准和改进的分类器鲁棒性

    我们创建并开源了基于MedMNIST+收藏的12个数据集和9种成像模式的基准数据集MedMNIST-C，模拟了不同严重程度的任务和模式特定图像损坏以全面评估已建立算法对真实世界工件和分布偏移的鲁棒性，并提供定量证据表明我们简单易用的人工损坏方法可用于提高模型的鲁棒性。与传统的通用增强策略不同，我们的方法利用领域知识，在与广泛采用的方法相比时表现出更高的鲁棒性。通过引入MedMNIST-C并开源相应的库以实现有针对性的数据增强，我们为医学成像领域越来越具有挑战的鲁棒方法的发展做出贡献。代码可在此https URL github.com/francescodisalvo05/medmnistc-api找到。

    Jun, 2024

  • 多种医学模态下的合成数据生成人工智能：最新发展及挑战的系统综述

    本研究综述了生成模型在合成各种医学数据类型方面的广泛应用，探索了合成应用、生成技术和评估方法等方面的见解，强调了医学数据的唯一性和临床应用的需求。同时，研究也揭示了医学图像评估方法的不足之处，呼吁进行深入评估、基准测试和比较研究以促进开放和合作。

    Jun, 2024

  • 医疗视觉语言预训练能否成功依赖纯合成数据？

    本研究解决了医疗视觉语言预训练（MedVLP）在缺少高质量图文配对数据情况下的训练问题。通过使用生成模型生成合成放射学报告和胸部X光图像，并提出了一种自动化管道，构建了多样且高质量的合成数据集。研究结果表明，专门使用合成数据训练的MedVLP模型在零样本分类任务中的表现优于基于真实数据的模型，并展示了合成数据在医学图像理解中的潜在积极影响。

    Oct, 2024