May, 2024

基于增强的无监督跨领域功能磁共振成像适应用于重性抑郁症识别

PDF
TL;DR本文提出了一种基于数据增强的无监督跨领域功能磁共振成像自适应（AUFA）框架，用于自动诊断 MDD（重度抑郁障碍）。实验证明，AUFA 在 MDD 鉴定方面优于几种最先进的方法，不仅减少了不同站点之间的数据异质性，还定位了与疾病相关的功能连接异常，并提供了模型的可解释性。
major depressive disorderresting-state functional magnetic resonance imagingdomain adaptationdata heterogeneitydiagnosis
发现论文，激发创造
  • 基于多角度特征丰富的无源协同领域适应用于功能磁共振成像分析

    设计了一种无需源数据的协作域适应框架，应用于静息态功能磁共振成像（rs-fMRI）分析中，以减少多中心研究中的数据异质性，并成功在不同扫描仪和研究任务中进行预测。

    Aug, 2023

  • 基于数据增强的医学成像领域无监督域适应

    基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

    Aug, 2023

  • 无监督的联邦域自适应用于 MRI 图像分割

    使用深度神经网络进行磁共振成像（MRI）图像的自动语义分割极大地辅助于评估和规划各种临床应用的治疗。然而，训练这些模型要求具备丰富的注释数据来实施端到端的监督学习过程。即使我们注释了足够多的数据，由于患者、MRI 扫描仪和成像协议的差异等因素，MRI 图像显示出相当大的变异性。这种变异性需要针对每个特定的应用领域重新训练神经网络，而这又需要专业放射科医生对所有新领域进行手动注释。为了减少持久数据注释的需求，我们开发了一种使用多个注释源域进行无监督联邦域自适应的方法。我们的方法使得能够将知识从多个注释源域转移，以使模型在未注释的目标域中有效使用。最初，我们通过最小化目标域和源域的分布的成对距离，使得目标域数据与每个源域在潜在嵌入空间中具有相似的表示，该空间被建模为深度编码器的输出。然后，我们采用集成方法来利用从所有领域获得的知识。我们提供了理论分析，并在 MICCAI 2016 多中心数据集上进行实验证明我们的方法是有效的。

    Jan, 2024

  • 基于课程的增强 Fourier 领域自适应方法用于稳健的医学图像分割

    本文提出了一种基于课程学习策略和链式数据增强的傅里叶域自适应方法，用于解决医学图像分割模型在不同域之间性能下降的问题。实验证明该方法在多个任务中表现出显著的自适应和泛化性能。

    Jun, 2023

  • 多特征拼接和多分类器堆叠：一种可解释和可泛化的基于 rsfMRI 的 MDD 判别机器学习方法

    通过使用多种特征和多种分类器的机器学习方法（MFMC），对使用 REST-meta-MDD 数据集的 2428 名受测者进行测试，MFMC 的 MDD 区分准确率达到 96.9％，明显改善了现有方法；并且，验证了 MFMC 的泛化能力，当训练和测试受测者来自独立的场地时，其表现仍然良好。这些结果将有助于将 13 个特征值作为临床有用的精神障碍诊断和预后生物标志物。

    Aug, 2023

  • 基于梯度图引导的自适应领域泛化用于跨模态 MRI 分割

    跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合，以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法，并进行了六个跨模态分割任务。在所有任务设置中，我们的方法始终优于竞争方法，并且在有限的训练数据下表现稳定。

    Nov, 2023

  • 面向基于主题的领域自适应的面部表情识别

    本研究提出了一种基于主题的多源领域自适应方法，通过利用多个源主题数据集来适应一个深度面部表情识别模型到一个单一的目标个体，实现了优于现有方法的性能，同时能够适应多个主题的源领域。

    Dec, 2023

  • 无源跨域人脸表情识别的簇级伪标签

    本文提出了第一个基于自我监督预训练和聚类级伪标记的无源自适应方法，通过解决面部表情识别中域偏移和数据保护问题，在 FER 的四种自适应情境下验证了其有效性，并证明其与处理 UDA 下 FER 的现有方法相当。

    Oct, 2022

  • DDF: 一种新颖的双域图像融合策略用于遥感图像语义分割的无监督域自适应

    该研究论文提出了一种混合训练策略和新颖的双域图像融合策略，有效利用原始图像、变换图像和中间域信息，并提出了一种伪标签区域特定权重策略，以增强伪标签的精确性。ISPRS Vaihingen 和 Potsdam 数据集上进行的广泛基准实验和消融研究证实了我们方法的有效性。

    Mar, 2024

  • 不确定特征对齐下的无监督领域自适应

    本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法（UFAL），该方法包括 Uncertain Feature Loss（UFL）函数和 Uncertainty-Based Filtering（UBF）方法，能够有效解决无监督域自适应问题，达到了多个数据集上最先进的结果。

    Sep, 2020