TMI 2024 | 基于概念的病变感知Transformer用于可解释的视网膜疾病诊断

最新推荐文章于 2025-04-30 15:03:34 发布
最新推荐文章于 2025-04-30 15:03:34 发布
阅读量79 收藏 1
点赞数
分类专栏： 医学图像处理论文解读 文章标签： transformer 深度学习 人工智能 医学图像处理 医学图像顶刊 TMI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/145401502
版权

论文信息

题目：Concept-based Lesion Aware Transformer for Interpretable Retinal Disease Diagnosis
基于概念的病变感知Transformer用于可解释的视网膜疾病诊断
作者：Chi Wen, Mang Ye, He Li, Ting Chen, Xuan Xiao
源码链接：https://github.com/Sorades/CLAT

论文创新点

  1. 将视网膜病变视为概念：本文提出了一种基于概念的框架，将视网膜病变视为概念，从而提升诊断模型的性能和可解释性。
  2. 利用Transformer架构：通过利用Transformer在捕捉长距离依赖关系方面的优势，模型能够更有效地识别病变特征。
  3. 图像级注释与视网膜基础模型对齐：通过
了解本专栏 订阅专栏 解锁全文
TMI 2024 | 基于分布重新校准的多实例学习与Transformer用于全切片图像分类
小白学视觉
03-13 47
分布重新校准策略：本文首次引入了一种分布重新校准策略，通过最大实例（关键实例）特征的统计信息来调整WSI包（实例）的特征分布。特征幅度损失：为了强制类别（包）分离，本文引入了特征幅度损失，假设正包的特征幅度大于负包。生成过程：本文引入了一种生成过程，利用向量量化（VQ）来提高实例的判别能力，即VQ有助于为改进分类建模包的潜在因素。位置编码模块（PEM）：为了建模空间和上下文信息，本文采用了一个位置编码模块（PEM），并通过多头自注意力（PMSA）进行基于Transformer的池化。在数字病理学中，全切片图
Lesion-Aware Transformer for Diabetic Retinopathy Grading论文笔记
weixin_47269893的博客
03-06 489
Lesion-Aware Transformer for Diabetic Retinopathy Grading论文笔记
TMI‘24 | 基于语义导向视觉提示学习的糖尿病视网膜病变眼底图像分级
小白学视觉
02-28 121
糖尿病视网膜病变（DR）是一种严重的眼部疾病，需要眼科医生进行有效的监测和治疗。然而，构建一个可靠的DR分级模型仍然是一个具有挑战性和成本高昂的任务，严重依赖于高质量的训练集和足够的硬件资源。在本文中，我们研究了大规模预训练模型（LPMs）的知识转移能力，通过提示学习将基于眼底图像的DR分级模型构建得更高效。与全参数微调不同，提示学习只涉及最少数量的额外可学习参数，同时实现与全参数微调相媲美的效果。
TMI 2024| 双边监督网络在半监督医学图像分割中的应用
小白学视觉
02-10 80
全监督学习需要大量的高质量标注数据，这对于图像分割来说难以获得，因为像素级标注成本高昂，尤其是医学图像分割任务，它们需要领域知识。作为一种替代方案，半监督学习（SSL）可以通过利用丰富的未标注样本有效地减轻对标注样本的依赖。在SSL方法中，均值教师（MT）是最流行的一种。然而，在MT中，教师模型的权重完全由学生模型的权重决定，这将在训练的后期阶段导致训练瓶颈。此外，只对未标注数据应用像素级一致性，忽略了类别信息，容易受到噪声的影响。
智慧医疗领域TMI期刊2025年3月研究热点解析
audyxiao001的博客
04-25 876
本推文对2025年3月《IEEE Transactions on Medical Imaging》期刊论文的研究热点进行了深入分析，希望能为智慧医疗及相关领域的研究人员提供有价值的参考。
中国医学影像人工智能20年回顾和展望
阿木寺的博客
05-26 3582
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达转载自：中国图象图形学报点击进入—>CV微信技术交流群中国图象图形学报在过去20年里，医学影像技术、人工智能技术以及这两项技术相结合的临床应用都取得了长足发展。中国在该领域的研究也取得卓越成就，并且在全世界范围内的贡献比例仍在逐步提高。为了记录和总结国内同行的科研成果，中国医学影像人工智能20年...
AI医学影像技术展望
吴建明wujianming_110117
05-25 2539
AI医学影像技术展望
TMI 2024| 基于检验统计量估计的自解释卷积神经网络二元分类器构建方法
小白学视觉
02-10 46
深度神经网络在医学图像分类等领域具有极高的潜力，但它们的解释性常常受到批评。现有的后处理解释方法存在局限性，它们可能产生多种合理的解释，导致选择哪种解释存在模糊性。为解决这一问题，本文研究了一种新的基于决策理论的方法，以建立一种自解释模型，给定一个预训练的深度二元黑盒医学图像分类器。这种方法涉及使用自解释编码器-解码器模型与一个具有统一权重的单层全连接网络。该模型被训练以估计给定训练黑盒深度二元分类器的检验统计量，以保持相似的准确度。
TMI 2024 | 基于去噪扩散概率模型的CT金属伪影减少
小白学视觉
03-07 107
金属物体的存在会导致CT投影测量数据损坏，进而在重建的CT图像中产生金属伪影。人工智能（AI）有望提供改进的解决方案来估计缺失的投影数据，以减少金属伪影（MAR），正如之前使用卷积神经网络（CNN）和生成对抗网络（GAN）所展示的那样。最近，去噪扩散概率模型（DDPM）在图像生成任务中显示出巨大的潜力，可能优于GAN。在本研究中，提出了一种基于DDPM的方法，用于修复缺失的投影数据，以改进MAR。该模型是无条件训练的，不依赖于金属物体的信息，这可能会增强其在不同类型金属植入物中的泛化能力。
TMI 2024 | 基于生成分布先验的医学图像关键点定位
小白学视觉
03-22 37
在医学图像分析中，解剖学关键点通常包含其结构信息的强先验知识。本文提出通过归一化流（normalizing flows）建模关键点的潜在分布，从而促进医学关键点定位。具体而言，我们将基于流的先验分布作为可学习的目标函数引入基于回归的关键点定位框架中。此外，我们采用积分操作，使从热图到坐标的映射可微分，从而进一步增强基于热图的关键点定位效果。我们提出的基于归一化流的分布先验（NFDP）采用简单的骨干网络和非问题特定的架构（即ResNet18），在三个基于X射线的关键点定位数据集上实现了高保真输出。
深度学习新趋势：利用MLP取代卷积层——S2-MLPv2模型解析
qq_18943707的博客
04-27 453
从学术研究到工业应用，深度学习的演进从未停歇。S2-MLPv2的成功展示了一条新的可能性道路——用更灵活高效的模型结构来应对复杂的现实任务。面对未来，让我们保持敏锐的洞察和探索的热情，在这条创新驱动的路上不断前行。
在深度学习中，什么是线性插值（linear interpolation）？
最新发布
weixin_44649780的博客
04-30 274
线性插值是寻找两个点之间中间值的最基础方法之一，广泛应用于：数值计算计算机图形学机器学习和深度学习它的标准公式是：x0,x1∈Rn：两个向量或标量t∈[0,1]：插值系数（0 表示完全靠近 x0，1 表示完全靠近 x1​）它对应的是两个点之间的一条线段轨迹。线性插值就是“在两个已知点之间，按一定比例找到中间点”的方法，无论是图像、特征、模型参数，它都可以用来“平滑地过渡”。📢 想要了解更多内容，可在VX小程序搜索🔍AI Pulse,获取更多最新内容。
远程深度学习新环境配置流程
weixin_45668967的博客
04-30 202
下载并安装适合你系统的 Miniconda 版本。
Python----深度学习（基于DNN的吃鸡预测）
weixin_64110589的博客
04-27 1332
和平精英（Peace Elite）是一款受欢迎的多人在线生存射击游戏，通常被称为“绝地求生：刺激战场”。在这个游戏中，玩家被投放到一块广大的战斗区域，必须与其他玩家竞争以成为最后一个生存者。为了分析或研究《和平精英》的玩家表现，常常会收集有关比赛和玩家的数据。本数据集包含了400多万条关于玩家在游戏中的表现记录数据集介绍总体描述该数据集记录了大量玩家在不同比赛中的表现，包含了玩家的杀敌、死亡、以及使用的物品等各种重要数据。
Transformer：颠覆深度学习的架构革命与技术演进
源滚滚编程
04-30 578
2017年，谷歌团队在论文《Attention Is All You Need》中提出的Transformer架构，彻底改变了人工智能对序列数据的处理范式。通过这种机制，模型能够自动识别并强化相关位置的语义关联，例如在句子“The cat sat on the mat”中，“cat”与“sat”的关联权重显著高于其他无关词汇。其核心思想是：每个位置的输入向量通过**查询（Query）、键（Key）、值（Value）**三个矩阵变换，动态计算与其他位置的关联权重。，实现了全局上下文感知与并行计算的完美平衡。
基于PyTorch的图像识别主要依赖于深度学习模型（尤其是卷积神经网络，CNN）对图像特征进行自动学习和分类
开发小能手-roy的博客
04-26 390
基于PyTorch的图像识别主要依赖于深度学习模型（尤其是卷积神经网络，CNN）对图像特征进行自动学习和分类。以下是其核心原理与技术实现的分步解析：
综述类论文读后报告——重庆大学《深度学习在人类活动识别中的应用综述》
WenJGo的博客
04-26 1076
生成模型：如受限玻尔兹曼机（RBM）、自编码器（AE）、生成对抗网络（GAN）判别模型：如卷积神经网络（CNN）、循环神经网络（RNN）混合模型：结合生成与判别优势，如 CNN+AE、CNN+LSTM 等结构本文是一篇高质量的综述论文，系统性强、覆盖全面。其贡献不仅在于分类和总结已有方法，还指出了当前的技术空白与研究潜力，对从事智能感知、人机交互等方向的研究者具有很高的参考价值。
团队研究成果|基于物理信息深度学习的交通状态估计
zuiyishihefang的博客
04-26 1056
通过在不同稀疏数据情境下进行大量的实验研究，利用美国101高速公路的NGSIM数据，深入探讨了PIDL方法在不同交通流场景中的应用，结果验证了该模型的高效性和精确度。本文的研究不仅探讨了数据稀疏性对交通状态估计的影响，还通过应用PIDL方法取得了显著的成果，具有重要的实际意义，特别是在实际交通流控制和管理中的应用。通过该方法的研究和应用，我们可以更好地理解数据驱动方法和模型驱动方法的优势与劣势，以及它们在交通状态估计中的作用。检测器数量代表可用数据的规模，检测器数量越多，越有利于估计整个路段的交通状态。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值