Sep, 2024

基于相对注释的深度贝叶斯主动学习排序用于溃疡性结肠炎严重程度评估

HTML
PDF
TL;DR本研究解决了自动图像严重程度评估中训练数据稀缺的问题，特别是在相对注释的应用方面。提出的深度贝叶斯主动学习排序方法能够自动选择高效的图像对进行相对严重程度注释，从而减少了传统定量注释所需的大量工作。实验表明，该方法在面对严重类别不平衡的情况下，仍能实现高效的性能提升。
发现论文，激发创造
  • 仅使用全局标签的组织病理分类和疾病定位：一种弱监督方法

    提出了一种在弱监督学习下用于疾病定位的方法，使用预训练的深度卷积网络、特征嵌入、以及基于多实例学习的顶部实例和负面证据学习等技术，即使在没有像素级别注释的情况下，仅通过图像级标签进行训练也能够展现出与强监督学习相当的性能。

    Feb, 2018

  • 类别距离加权交叉熵损失用于溃疡性结肠炎严重程度评估

    研究使用新的损失函数: 类距加权交叉熵(CDW-CE)，从而更好地训练用于测量溃疡性结肠炎内窥镜活动的评分系统的深度学习模型，该方法考虑到分类之间的距离和顺序，从而在实验评价和领域专家中优于传统的分类交叉熵损失和其他常用损失函数。

    Feb, 2022

  • 基于先验的胶囊内窥镜图像分类：在少量样本情况下提高模型泛化能力的一种方法

    通过使用领域先验知识作为先决条件来学习更强大和可推广的表示，我们实验表明，域优先可以通过代理标签的方式使表示受益，从而显着减少标记要求，同时仍使完全无监督但病理感知学习成为可能，建立了病理分类和跨数据集推广的新基准。

    Jun, 2022

  • 利用无关先验知识的Patch-level实例组判别方法进行结肠炎评分

    本研究提出了一种新的自我监督学习方法，即patch-level instance-group discrimination with pretext-invariant representation learning (PLD-PIRL)，通过该方法可以更准确、更稳健地检测肠炎患者黏膜炎症细微的变化，相较于基准监督学习网络和现有的一些自我监督学习方法，本方法表现出更好的准确性和鲁棒性。

    Jul, 2022

  • 自监督学习与复合预文本类别差异的 SSL-CPCD 方法，为内窥镜图像分析改善泛化性能

    本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了4%、2%和3%。此外，我们还证明了我们的方法相对于所有SOTA方法具有更好的泛化性，我们的泛化性评估提高了近7%。

    May, 2023

  • 基于神经网络的溃疡性结肠炎组织学缓解预测

    通过基于内视镜技术的神经网络模型，我们开发了一个可以在溃疡性结肠炎的内视镜影像中区分组织学缓解/活动的特定神经网络模型，有助于加速临床组织学诊断。

    Aug, 2023

  • 溃疡性结肠炎Mayo内镜评分分类的主动学习和生成数据增强

    通过使用小型真实内窥镜图像数据集训练，生成大量合成样本，然后使用主动学习方法选择最有信息量的样本进行分类器训练的主动学习基于生成扩增方法，在公开可用的内窥镜图像数据集上展示了该方法的有效性，结果显示使用合成样本与主动学习相结合相比只使用原始标记样本的基线分类性能（68.1%）提高到了74.5%的Quadratic Weighted Kappa (QWK)评分，另一个观察结果是仅使用真实数据达到相同性能需要三倍的图像数量。

    Nov, 2023

  • 基于深度学习的胸部X射线严重程度评估的序数回归框架

    本研究调查了应用顺序回归方法对胸部X射线片中的疾病严重程度进行分类。我们提出了一个框架，将顺序回归问题分为三个部分：模型、目标函数和分类函数。我们使用ResNet50和ViT-B-16深度学习模型应用了不同的编码方法，包括独热编码、高斯编码、进度条编码和我们的软性进度条编码。我们表明编码的选择对性能有很大影响，最佳编码方法取决于所选择的Cohen's kappa的加权方式，以及所使用的模型架构。我们在GitHub上公开了我们的代码。

    Feb, 2024

  • 深度贝叶斯主动学习排序与相对标注用于溃疡性结肠炎严重度估计

    本研究解决了自动化图像严重度估计中因模糊严重度而导致的高标注成本问题。论文提出了一种深度贝叶斯主动学习排序的方法，自动选择高学习效率的图像对进行相对标注。实验结果表明，该方法在严重类别不平衡的情况下仍能显著提高性能。

    Sep, 2024

  • Arges：内镜视频中溃疡性结肠炎严重性评估的时空变换器

    本研究针对内镜视频中溃疡性结肠炎（UC）严重性评估的自动化不足进行了探讨，传统评估方法费时且受制于评审者间的差异。我们提出的Arges框架通过时空变换器，结合帧特征的信息，有效提高了UC严重性评分的准确性，特别是在MES评分上提升了4.1%。

    Oct, 2024