medical image classification | BriefGPT

关键词medical image classification

搜索结果 - 66

基于 kNN 和基础模型的可适应且注重隐私的图像分类
存储底层训练数据的嵌入表示的方法，结合了 $k$- 最近邻分类器和基于视觉的基础模型，在数据隐私保护方面具有动态修改和良好的解释性和适应性，通过实验证明在基准数据集和医学图像分类任务中有更好的分类性能，同时在持续学习和数据删除场景中展现出良
PDF5 months ago
探索基础模型在眼底图像上的迁移性：应用于高血压性视网膜病变
使用基于 Imagnet 预训练的深度学习模型是处理医学图像分类中数据稀缺性的传统解决方案。然而，相关文献支持此策略可能由于领域之间的高差异性而带来有限的增益。目前，适应领域专业化基础模型的范式证明是一种有前景的替代选择。本文通过 CGI-
PDF5 months ago
通过从偏见委员会中学习自适应共识来消除医学图像偏见
本文提出了一种名为 Ada-ABC 的去偏差框架，不依赖于显式偏差标签，以解决医学图像中的数据集偏差问题。Ada-ABC 通过构建一个包含多个分类器的有偏议评议会，并在其指导下同时训练一个去偏模型，使得去偏模型能够在被评议会正确预测的样本上
PDF5 months ago
自监督预训练如何提升在不同医学图像分类数据集中对噪声标签的鲁棒性？
医学图像分类中存在嘈杂标签会对深度学习产生重大影响，自监督预训练可以提高对嘈杂标签的鲁棒性，但这种鲁棒性受诸如类别数目、数据集复杂性和训练规模等因素的影响。本研究全面探讨了自监督学习与医学图像分类中嘈杂标签鲁棒性之间的相互作用，结果显示在五
PDF6 months ago
ARIA: 论联邦视觉分类中架构、聚合方法和初始化的相互作用
联邦学习是一种协同训练范例，通过消除敏感数据的交换而依赖于客户端和服务器之间的模型参数交换，从而实现了跨机构模型的隐私保护学习。本文研究了联邦学习架构、初始化和聚合的相互关联作用，并通过在多个医学图像分类任务上进行的综合评估，找到了最佳性能
PDF7 months ago
对 AlexNet 在医学图像分类中的综述
近年来，深度学习的快速发展在医学图像分类领域有着广泛应用。神经网络模型的各种变体具有不断增强的性能，并且它们中存在一些共同点：试图缓解过拟合、改善泛化能力、避免梯度消失和梯度爆炸等。AlexNet 首次利用 dropout 技术来缓解过拟合
PDF8 months ago
自然领域基础模型在医学图像分类中是否有用？
通过对五种先进的基础模型（SAM、SEEM、DINOv2、BLIP 和 OpenCLIP）在医学图像分类任务中的可转移性进行评估，我们的研究显示了混合的结果。尽管 DINOv2 在不断超越 ImageNet 预训练的标准实践方面表现出色，但
PDF8 months ago
少样本医学图像分类的即插即用特征生成
通过 MedMFG 方法，针对少样本学习在医学图像分类中的过拟合问题，生成丰富有效的特征，并结合原型训练出更具普适性的分类器，实验证明该方法在不同领域的图像分类上具有显著改进。
PDF9 months ago
通过概念瓶颈模型实现强大且可解释的医学图像分类器
通过使用自然语言概念，我们提出了一种建立强大而可解释的医学图像分类器的新范式，有效地解决了深度学习模型在医疗行业应用中学习虚假相关性而不是期望特征以及缺乏可解释性的问题。
PDF9 months ago
应对子群体稀缺的分布自适应优化与不变表示学习：机制与局限
通过全面的评估研究，我们首先展示了在医学图像分类中，当偏见不是性能不佳的唯一原因时，对于表现不佳样本的泛化再加权可能存在问题，同时也表明了朴素的不变表示学习在自身存在虚假相关性时也存在问题。然后，我们提出了一种新的方法，利用鲁棒优化来促进在
PDFa year ago
多标签长尾学习的鲁棒非对称损失
本文提出了一种鲁棒的不对称损失函数，能够同时解决长尾和多标签分类问题，适用于医学图像分类任务，能够有效缓解多个超参数优化困难和模型过拟合的风险。实验证明该方法在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，且在 ICCV C
PDFa year ago
CheXFusion: 多视角特征有效融合用于长尾胸部 X 射线分类的转换器
本研究通过引入 CheXFusion，一个基于 transformer 的融合模块，结合多视图图像处理，通过自注意力和交叉注意力机制，高效聚合多视图特征并考虑标签的共现作用，进一步探索数据平衡和自训练方法以提高模型性能，在 MIMIC-CX
PDFa year ago
去除胸部 X 射线分类中的虚假相关性
通过使用 Covid-19 胸部 X 射线数据集训练深度学习模型，我们展示了这个数据集可能会由于意外的混杂区域导致虚假相关性。解释性基于学习的方法通过利用模型解释来交互式地消除这些虚假相关性，从而实现了深度学习方法的可解释性。我们的研究结果
PDFa year ago
L3DMC: 基于混合曲率空间的蒸馏式终身学习
提出了一种名为 L3DMC 的蒸馏策略，通过在混合曲率空间上操作，以维持复杂的几何结构来保留已学习的知识，用于 L3 模型的优化和医学图像分类任务。
PDFa year ago
半监督医学图像分类的类别特定分布对齐
提出一种基于自我训练的半监督学习框架，通过改变向量空间中边缘预测的基础，捕捉有关标记和未标记数据的类依赖性边缘预测，以避免对多数类别的偏见，从而解决医学图像分类中的数据注释耗时和类别分布不平衡的问题。
PDFa year ago
紧凑而强大：利用图神经网络和边缘卷积进行医学图像分类
我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用 RGB 通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在 MedMNIST 数据集的分类中表现出色，并与现有的深度神经网
PDFa year ago
M-FLAG: 冻结语言模型和潜空间几何优化的医学视觉语言预训练
该研究提出了一种名为 Medical vision-language pre-training with Frozen language models and Latent spAce Geometry optimization (M-FL
PDFa year ago
学习卓越的解释
本文提出了一种使用两个输入示例及其对应的 GradCAM 模型解释作为示范解释来实现交互式机器学习的新方法，旨在减少 eXplanation Based Learning 中的用户交互和费用支出，该方法对医学图像分类任务产生了良好的效果。
PDFa year ago
SPLAL：基于相似性的伪标签与对齐损失在半监督医学图像分类中的应用
在这篇论文中，我们提出了一种新颖的半监督学习方法 SPLAL，用于医学图像分类。SPLAL 通过利用类原型和分类器的加权组合，在部分无标签图像上预测可靠的伪标签。此外，我们引入了对齐损失以减少对多数类的模型偏差。实验结果表明，我们的方法在准
PDFa year ago
少量数据下，紧凑卷积 Transformer 使医学影像分类更强壮
本研究探讨了 Compact Convolutional Transformers（CCT）在使用有限数据进行稳健的医学图像分类方面的功效，结果明确了 CCT 在生物医学成像领域具有数据稀缺问题的潜力并鼓励进一步的研究。
PDFa year ago