Apr, 2024

重新思考模型原型设计：通过 MedMNIST + 数据集集合

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。
deep learningclinical practicemedical datasetsconvolutional neural networksmedical image classification
发现论文，激发创造
  • 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

  • MedMNIST 分类十项赛用的复杂混频器

    为解决 MedMNIST (v2) 的缺陷，本文提出了一种基于 C-Mixer 预训练框架、激励学习和自监督学习的方法，在标注空间的信息不足和不确定性问题上表现出惊人的潜力。

    Apr, 2023

  • 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

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 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

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

    Apr, 2023

  • 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

  • TransMed: 基于 Transformers 的多模态医学图像分类

    该研究提出了一种结合了 CNN 和 transformer 的方法 ——TransMed，在多模态医学图像分类中取得了很好的性能，这一方法为医学图像分析任务开启了更多可能性。

    Mar, 2021

  • 预训练的 ViT 模型在医疗图像中得到了多用途的表示

    本研究探讨了视觉 Transformer 在医学图像分类中的优劣，并发现使用预训练模型时，视觉 Transformer 可以与卷积神经网络媲美，成为 CNN 的一种可行替代方法。

    Mar, 2023

  • Medi-CAT: 医学图像分类的对抗对比训练

    这篇论文研究了在医学图像数据集中，由于欠拟合和过拟合现象，无法很好地工作的深度学习模型问题，并提出了一种名为 Medi-CAT 的训练策略，采用了大型预训练视觉变换器以克服欠拟合，并采用对抗性和对比性学习技术以防止过拟合，实验结果表明，相比于其他已知方法，这种方法在三个基准数据集上提高了 2% 的准确性，并且相对于基准方法提高了 4.1% 的性能。

    Oct, 2023