通过锐度感知元持续学习实现通用医学图像配准
在医学影像分析中,深度学习算法的快速发展使得医学影像分析取得了显著的进展,但是在推理数据集与模型训练时所见数据略有不同的情况下,模型的性能会受到很大影响。因此,需要采用连续学习技术来处理新类别、新任务和非稳态环境中的数据变化。本系统综述论文对连续学习技术在医学影像分析中的应用进行了全面的概述,包括灾难性遗忘、数据漂移、稳定性和可塑性要求等方面的研究,同时对连续学习方案、技术、评价方案和指标等关键组成部分进行了深入讨论。
Dec, 2023
本文描述了 Learn2Reg 挑战赛的数据集,任务,评估方法和结果,以及结果的进一步分析。同时,该研究也揭示出许多提高医学图像配准表现的方法,从而推动了该领域的发展。
Dec, 2021
通过自抽样元 SAM(SSM-SAM)框架,本研究提出了一种快速在线适应的医学图像分割方法,通过设计三个关键模块,包括在线快速梯度下降优化器、自抽样模块和针对医学少样本学习的强大的基于注意力的解码器,能够在医学图像分割的少样本任务中显著提高分割效果。
Aug, 2023
过去十年来,深度学习技术在医学图像配准领域取得了很大进展。本文对深度学习技术在图像配准中的最新进展进行了综合概述,包括网络结构、损失函数、注册不确定性估计方法和评估指标等方面,并探讨了这些新技术在医学影像中的实际应用和未来前景。
Jul, 2023
通过综述医学领域中的连续学习研究,本文旨在全面审视近期的文献,突出最新趋势,并指出实际问题,包括分类、分割、检测等任务中的连续学习研究。除了识别挑战并提供应对策略,我们还对医学影像中连续学习的现状进行批判性讨论,包括识别开放问题并勾勒有前景的未来方向。希望本文将为研究人员提供领域发展的有用概述,并进一步增加学术界的兴趣。
May, 2024
医学成像的分类问题具有新类别和域偏移的挑战,本文提出了一种名为伪标签重播的新方法,通过结合重播和伪标签方法的优势以解决现有的限制,有效地应对挑战并展现卓越性能和最小的遗忘。
Apr, 2024
本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明,单一模型可以顺序地学习来自不同专业的新任务,并达到与传统方法相当的性能,从而证明了在医学领域跨机构共享或回收模型的可行性,进一步推动了通用医学影像人工智能的发展。
Nov, 2023
本文提出了一种基于连续提示的统一图像 - 文本 - 标签对比学习框架,从数据统一性,多样性和假阴性样本等方面解决了医学图像对比学习中的的挑战,并在多个下游任务中展现出了出色的表现。
Jul, 2023
本研究证明了持续学习可以提高数据有限的中心的脑转移识别性能,可以实现多中心协作的点对点联邦学习的可行性,共享中间模型而不是训练数据可以促进深度学习算法的多中心协作。
Apr, 2022