Jun, 2024

多器官图像分割基础模型公平性的实证研究

PDF
TL;DR通过研究分割基础模型中的公平性困境，我们创建了包括肝脏、肾脏、脾脏、肺和主动脉的 1056 位健康人士的 3D MRI 和 CT 扫描数据集，记录了每位受试者的性别、年龄和体重指数以进行精细的公平性分析，并测试了医学图像分割的最先进的基础模型，发现在这些模型中存在显著的公平性问题。
segmentation foundation modelfairness considerationsbenchmark datasetdemographic detailsfairness concerns
发现论文，激发创造
  • 基础模型对医学图像分割是否有效？

    基于监督训练方法和无标签自我监督学习方法，在 100 个心脏超声图像的 25 个测量上，对 Segment Anything 模型（SAM）进行了性能和资源比较，结果发现 SAM 的性能较差，需要更多的标注和计算资源，显示出比无标签自我监督学习方法更低的效率。

    Nov, 2023

  • 基于基础模型构建最佳的医学图像分割算法：使用 Segment Anything Model 的综合实证研究

    对于自动分割医学图像的研究，本文总结了目前的微调策略，并在包括所有常见放射学模态的 17 个数据集上进行评估，研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能，使用参数效率高的学习在编码器和解码器中进行微调的策略优于其他策略，网络架构对最终性能影响不大，通过自监督学习进一步训练 SAM 可以提高最终模型性能。

    Apr, 2024

  • 基于基础模型的生物医学图像分割：综述

    最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期，我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合，特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平，但在一些方面仍存在不足，例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。

    Jan, 2024

  • FairMedFM：医学影像基础模型的公平性评估

    通过引入 FairMedFM，一个公平性基准，对医学影像中基础模型的公平性性能进行综合评估，我们揭示了不同 FMs 之间的偏见存在、不同 FMs 的效用与公平性权衡以及现有不公平缓解方法的有限效果。

    Jul, 2024

  • 医学影像分割：从传统模型到基础模型的超越像素级监督

    医学图像分割的注释高效学习与基础模型的挑战：综述与分析。

    Apr, 2024

  • FairSeg：針對公平性學習的大規模醫學圖像分割數據集，使用公平的錯誤邊界縮放

    本研究提出了第一个用于医学分割的公平数据集 FairSeg，并提出公平误差界限缩放方法，通过显式处理每个身份群体中训练错误较高的难题，来改善分割性能公平性。通过全面的实验证明，该方法在公平性表现上优于或与现有的公平学习模型具有可比性。

    Nov, 2023

  • 在放射学数据上测试 segment anything 模型

    深度学习模型在大量数据训练下已成为最近有效的预测问题解决方法，研究了基于自然图像训练的基础模型在磁共振成像数据上的分割任务性能，结果表明这些模型虽然在少数情况下可接受，但根据整体趋势，它们在整个体积的磁共振成像分割上不够有效，而在少数特定切片上表现良好，这提示基于自然图像训练的基础模型可能在其他成像模态上效果不佳。

    Dec, 2023

  • 前列腺成像分割基础模型的经验分析

    对于医学图像分割的基础模型 UniverSeg 进行了实证评估研究，与传统的任务特定分割模型进行了比较，结果和讨论凸显了发展和采用基础模型在医学图像分割领域中的重要因素。

    Jul, 2023

  • 医学图像分割中的无监督偏差发现

    通过数值实验在合成和真实场景中展示了我们的方法能够在没有真实标签的情况下成功预测公平性问题，这在该领域中是一种新颖且有价值的工具。

    Sep, 2023

  • 如何利用 Segment Anything Model (SAM) 提升医学图像分割？

    该论文综述了 Segment Anything Model（SAM）在医学图像分割中的应用，包括实证基准测试和方法论改进，并讨论了 SAM 在医学图像分割中的未来方向和文献综述。

    May, 2023