- 口罩与手稿:通过端到端的屏蔽和叙事结构推进医学预训练
通过两个步骤的方法,将医学文本转化为标准的三元格式,并结合视觉预训练和文本转化方法,提升医学图像分析中跨模态对比学习框架的表征能力,从而在医学图像分析中创造新的性能标杆。
- 医学影像中的数据集精炼:可行性研究
通过对多种医学图像处理中的数据提炼方法进行广泛实验,我们的研究发现数据提炼可以显著减少数据集大小,同时保持与完整数据集相当的模型性能,这表明小规模的图像样本可以作为数据提炼成功的可靠指标,证明了数据提炼是一种有效和安全的医学数据共享方法,有 - 无需掩码的神经元概念标注对医学领域神经网络解释
提出了一种名为 MAMMI 的新型医学神经元概念标注方法,采用基于视觉和语言的模型,无需像素级遮罩即可注释神经元概念,与其他解释方法相比,MAMMI 表现出更好的性能,在医学图像分析中为神经元提供了丰富的表示,经过在 NIH 胸部 X 射线 - SACNet:一种用于 2D 多器官医学分割的空间自适应卷积网络
本文介绍了一种利用可变形卷积和多对象分割的知识来优化空间自适应卷积网络 (SACNet) 的方法,通过在特征提取、模型架构和损失约束等方面进行改进,提高了不同分割目标的感知能力,并在 ACDC 和 Synapse 的 3D 切片数据集上的实 - MoSt-DSA:DSA 图像中的直接多帧插值的动态和结构交互建模
利用人工智能插值方式大幅减少 Digital Subtraction Angiography (DSA) 图像的辐射剂量,并设计了 MoSt-DSA,第一个使用深度学习进行 DSA 帧插值的方法,通过模拟运动和结构上下文的交互,实现了在训练 - 公平分割与点图传播
医学图像分析中,公平性是一个重要的主题,为了解决训练数据在不同目标群体之间存在的不平衡性和社会对医疗质量公平的需求,本研究采用了一种数据驱动策略,通过集成合成图像来增强数据平衡。为了解决生成合成图像时存在的问题,我们将问题以联合优化的方式进 - SAM-Med3D-MoE: 基于专家混合的非遗忘三维医学图像分割模型
提出 SAM-Med3D-MoE 框架,将任务特定的微调模型与基础模型无缝集成,通过额外的门控网络实现在各自任务上与原始模型相当的性能,为医学图像分析中的特定领域适应基础模型提供新的框架。
- 颈动脉超声的领域自适应模型:图像协调、噪声减少及对心血管风险标记的影响
通过生成对抗网络(GAN)模型,提出了一种基于图像转换的方法来解决超声图像中的领域自适应问题,该方法能够改善图像的纹理模式和降噪,同时保持图像的解剖结构。
- 基于贪婪双流模型的有限数据集脑龄估计
提出一种名为 GDSM(贪婪双流模型)的新型切片双流方法,通过解决大规模数据集需求和计算资源密集性的问题,实现了对大脑年龄的估计,该方法结合了大脑的局部和全局特征,并通过最终模型对年龄进行修正,相对其他先进方法具有高效和稳健性。
- DCSM 2.0:深度条件形状模型用于高效数据分割
使用深度条件形状模型 2.0,结合边缘检测器和基于边缘图的隐式形状函数,在低数据环境中实现医学图像分割的高效率,从而提高数据利用率并取得了比基准方法更好的性能。
- 利用深度神经网络检测疟疾细胞
使用深度学习方法自动化检测疟疾感染细胞,通过 ResNet50 卷积神经网络模型和训练集 27,558 张分为感染和未感染细胞的 Malaria Cell Images Dataset 的转移学习,实现高准确率、精确度和召回率,证明其在疟疾 - 证据概念嵌入模型:面向皮肤疾病诊断的可靠概念解释
由于医疗决策的重要性,对于医学图像分析中的可解释深度学习方法有着强烈的需求。本文提出了一种基于证据学习的概念嵌入模型 (ev-CEM),用于建模概念的不确定性,并利用其来纠正在没有完全概念监督下使用视觉 - 语言模型训练概念瓶颈模型时出现的 - 基于视觉转换器的脑肿瘤分类方法,借助选择性跨注意力机制和特征校准
提出了一种利用具有新型跨注意力机制的视觉变换器进行脑肿瘤分类的新方法,该方法充分发挥了变换器在建模长距离依赖性和多尺度特征融合方面的优势。实验证明,该方法在脑肿瘤分类中胜过其他最先进的方法,实现了更高的准确性和效率。所提出的特征校准机制和选 - TP-DRSeg:利用显式文本提示辅助 SAM 提升糖尿病视网膜病变分割
利用语言线索将医学先验知识注入到视觉分割网络中,提出了一种自定义 SAM 用于文本提示的糖尿病视网膜病变分割的新框架 TP-DRSeg,实验结果表明该框架优于传统模型和基础模型变种。
- PathoWAve:一种基于深度学习的加权平均方法,用于改善组织病理学图像中的领域泛化
在医学图像处理领域中,深度学习取得了显著突破,但染色协议的差异和扫描仪的不同导致领域偏移问题,影响了模型对未见领域数据的泛化能力。本文介绍了一种名为 PathoWAve 的多源领域泛化策略,它通过特定的权重平均技术、平行训练轨迹和组合增强方 - 用于减轻医学图像中的捷径学习的注视导向视觉 GNN
本研究提出了一种新颖的注视导向视觉图神经网络(称为 GD-ViG),通过利用注视的视觉模式将网络引导到与疾病相关的区域,并从而减轻了快捷学习。该网络在医学图像分析中取得了优异的表现,比最新的方法更有效地减少了快捷学习问题。
- 皮肤病变分类的联邦主动学习框架
我们提出了一个联邦主动学习(FedAL)框架,通过在医学图像分析中周期性和交互式地执行主动学习,从而减少标注数据量、保护患者隐私,并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架,在只使用 50%的样本的情况下,在皮肤病变分类任 - 医学基础模型综述
基于自我监督方法使用大规模数据集训练的基础模型(FMs)被广泛应用于各个领域,包括医疗保健领域,特别在自然语言处理、医学图像分析、临床大型语言模型和病理组学数据等方面。该综述论文全面概述了 FMs 在医疗保健领域的历史、学习策略、旗舰模型、 - 演化感知的方差 (EVA) 核心集选择用于医学图像分类
在资源有限的环境中,如远程医疗设施和移动设备中,管理高维海量医学图像数据并从中进行可靠的医学分析是一项关键挑战。本文提出了一种名为 Evolution-aware VAriance(EVA)的新型核心集选择策略,通过双窗口方法捕捉模型训练的 - 轮廓加权损失在类不平衡图像分割中的应用
通过引入轮廓加权损失函数,我们提出了一种解决医学图像分割中数据不平衡问题的新方法,并在腹部器官和脑肿瘤分割领域的实验中证明了我们的方法在分割和模型稳定性方面的优越性。