录播见链接:https://space.bilibili.com/269362804/
目录
轻量化模型
MRI图像分割
DSTS模块降低参数量
Attention机制用于X光胸片/皮肤癌
Attention
1.特征更紧致
2.特征更准确
相关:CBAM等
x光胸片
因为数据中有病灶的阳性数据较少,所以进行多类肿瘤分别时是一个弱监督问题。所以加入attention机制提取病灶位置:
思路:病灶大小不一,期望通过Scale-attention来解决这一问题,同时也有其他的channel等attention。
结果展示:
皮肤癌
认为分类模型能够学到attention但是比较靠后,所采用下图c的方法进行一个attention,不用新增参数。此模块称为ARL模块
结果展示:
多监督处理少样本问题
视网膜眼底血管分割
难点:血管粗细不一,样本量少
网络结构:
不同尺度上约束,来达到粗细血管都有用的效果。
磁共振图像做前列腺分割
网络结构:
分析:三维部分基于区域分割,二维部分基于边界分割。用密集链接和mutil-scale
分割和校验
目的:既定的分割模型上提高风格校验结果
病理图像的分割
上图:predicted和ground之间的真实误差去预测误差。然后用预测误差去矫正预测。另外训练一个矫正模型。
存在问题:预测分割误差本身不容易,存在预测错误,使得矫正错误。
进一步改进方案:将预测误差作为分割的attention。
上图:region by region的去验证矫正是否接受。
结果:
用GAN生成合成数据
用于AD病人的数据扩充
解决问题:并不是所有病人都有成对的MRI和PET数据,用MRI生成对应的PET数据。
模型:类似于cycleGAN
结果:效果好,成对的数据量上去了
存在问题:没见过的diseased pattern是学不到的(正常病人没有diseased pattern),生成图像会受训练数据的影响
解决方法:不同scale上的feature map去约束(MRI上有AD,PET上也应该有AD)
关注生成网络生成的是数据还是数据源
半 / 弱 监督
肺结节联合型分类
上图:用自编码网络x=f(x)学习特征(可以用unlabel的数据,用到对抗的思想,判别x与f(x)是否相等),之后再分类(只能用有label的数据)
注意:分类器的encoder一致,参数不共享,上下两个摸块特征结合,避免自编码网络提取的与背景相关的细节特征对分类的影响。
实验结果:
分割和分类放入同一个框架
皮肤癌的分割和分类
希望二者相互辅助,将分割和分类放入一个框架
上图:先进行粗分割,再分类,再细分割(attention map 共享),通过指示病灶在哪儿里来更好的分割。
结果:(有类别标签数据加进去能降低分割数据的需求)
结语:
1.机器会模仿和放大人类的偏差。
2.CAD的泛化问题
3.医院之间的标注偏差问题
4.人的优势,直觉不需要计算,期望决策过程中人机双向耦合
5.对抗样本的安全问题,医疗数据安全和隐私保护问题