Sep, 2024

EchoDFKD：基于合成数据的无数据知识蒸馏心脏超声分割

HTML
PDF
TL;DR本研究解决了心脏超声图像分割中数据依赖性的问题，提出了一种仅基于知识蒸馏的方法，使用合成数据进行模型训练。研究发现，该方法在分割性能上接近使用真实数据训练的模型，并在多项比较中表现优于现有方法，展现了无数据学习在医学影像分析中的潜力。
发现论文，激发创造
  • 迭代优化和统计结果验证的高效人机互动式深度学习模型训练

    本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间/精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

    Apr, 2023

  • 扰动与回声：利用扩散模型生成合成超声图像用于真实图像分割

    本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型（DDPMs）生成合成图像的新型流程，展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品，包括图像分割，并在未见实际数据的数据集上进行了评估，与现有技术相比，Dice分数分别增加了9.09％，3.7％和15.0％，该流程具有应用于各种医学成像模态的各种其他任务的潜力。

    May, 2023

  • 合成推进：在超声心动图中利用合成数据增强视觉语言分割

    通过使用合成数据集和语义扩散模型，提高了视觉-语言分割模型在超声心动图分割中的性能。

    Sep, 2023

  • 探索超参数空间中的图像扩散模型用于超声心动图生成

    本研究通过对超参数进行广泛搜索，对超声心动图生成中的图像扩散模型进行了深入研究，旨在为超声影像和视频生成领域建立基准，并提供指南。通过采用先进的模型架构和训练方法，研究分析了真实样本和生成样本之间的分布差异，并提出了解决方案，对于在生成数据上训练高效模型至关重要。通过研究，确定了我们研究问题的最佳FID得分为0.88，并获得了2.60的FID。本研究旨在为超声影像和视频生成领域提供有价值的见解，并作为进一步发展的参考。

    Nov, 2023

  • 超声心动图基础模型 -- 应用1: 估算射血分数

    通过自监督学习在150万个心脏超声图像上训练的EchoAI模型，成功地评估了心脏射血分数，并获得了平均绝对百分比误差为9.40%，与专业超声检查者的表现相当。

    Nov, 2023

  • 标签丢失：使用多个数据集进行改进的深度学习心脏超声分割处理，解决域转移和部分标注问题

    通过使用多个多样的部分标记数据集，本研究提出了一种新的标签丢失方案以改善心脏超声分割效果，使得模型能够适应各种图像和数据源的多样性。

    Mar, 2024

  • DDSB：超声心动图中无监督和无训练的相位检测方法

    通过无监督分割方法提高鲁棒性，减少依赖于初步分割图像的准确性，在保持与学习模型相当的准确性的同时，避免了传统方法对数据、注释、训练资源的大量需求。

    Mar, 2024

  • 视觉语言合成数据增强心脏超声下游任务

    利用最近的视觉-语言模型，通过文本和语义标签图引导，产生多样和逼真的合成心脏超声图像数据，以保留原始图像的关键特征。研究了无条件生成、文本引导生成和混合方法，并展示出合成数据中存在的丰富上下文信息可能提高下游任务的准确性和可解释性，例如改善指标和更快收敛的心脏超声图像分割和分类。实现部分含有检查点、提示和创建的合成数据集可公开获取。

    Mar, 2024

  • 用于超声应用的零样本基本模型的语义分割精化器

    通过使用粗糙语义分割掩模作为输入以及零-shot可提示的基础模型作为优化目标，我们提出了一种不需要提示的分割方法来解决低数据环境下分割模型的性能下降问题，并在肌肉骨骼超声图像数据集上进行了实验证明我们方法的优势，在不同程度的低数据环境下，随着训练集大小的减小，取得了更大的性能提升。

    Apr, 2024

  • 无训练条件视频扩散模型用于单帧空间语义超声合成

    本研究解决了现有条件视频扩散模型在超声图像生成中的数据稀缺问题。提出的Free-Echo方法无需额外训练数据即可从单一的舒张末期分割图生成逼真的超声图像，基于3D-Unet与时间注意力层的模型，展示了与训练基模型相当的生成性能。这项工作为通过单一分割图生成超声图像开辟了新的可能性，适用于数据增强和领域适应等医学影像应用。

    Aug, 2024