- 博客(14)
- 收藏
- 关注
RSS订阅原创 阅读论文（十）
糖尿病视网膜病变(DR)是糖尿病的一种严重的眼部并发症，可导致视力损害甚至失明。目前，传统的深度卷积神经网络(CNN)用于DR分级任务面临两个主要挑战：1)由于数据分布不平衡，对少数类不敏感2)由于只使用一只眼睛的眼底图像进行训练，忽略了左右眼之间的关系，没有区分左右眼。为了应对这些挑战，我们提出了DRGCNN (DR Grading CNN)模型。为了解决数据分布不平衡所带来的问题，我们的模型采用了一种更平衡的策略，将相同数量的通道分配给代表不同DR类别的特征映射。
2024-06-07 11:38:43
700
原创 阅读论文（九）
糖尿病性视网膜病变Diabetic retinopathy (DR)是导致人群失明的主要原因，自动DR诊断包括DR分级和病变发现，现有的大多数方法都将DR分级和病变发现视为两个独立的任务，这需要病变注释作为学习指导，并限制了实际部署。论文提出了基于病变感知的transformer（LAT），用于通过包括基于像素关系的编码器和基于病变滤波器的解码器的编码器--解码器结构，在统一的深度模型中共同进行DR分级和病变发现。LAT包括编码器和解码器。编码器：建立像素关系；解码器：病变滤波器。
2024-05-23 21:38:24
886
1
原创 阅读论文（八）
0摘要论文题目:中文题目：通过眼底图像进行基于病灶的糖尿病视网膜病变分级对比学习0摘要手动标注医学图像是非常昂贵的，特别是对于大规模数据集。自监督对比学习已被用于从未标记的图像中学习特征表示。然而，与自然图像不同，对比学习在医学图像中的应用相对有限。在这项工作中，我们提出了一个自我监督框架，即基于病变的对比学习，用于糖尿病视网膜病变(DR)自动分级。在常见的对比学习方案中，病灶斑块不是以整个图像作为输入，而是使用病灶斑块来鼓励特征提取器学习具有高度判别性的表征来进行DR分级。
2024-05-22 16:43:39
907
原创 阅读论文（七）
糖尿病视网膜病变（DR）的早期检测和治疗可大大降低患者视力丧失的风险。从本质上讲，我们面临着两个挑战：(i) 如何同时实现来自不同领域的领域适应；(ii) 如何在端到端框架中建立目标领域的可解释多实例学习（MIL）。在本文中，我们针对这些问题提出了一个统一的弱监督领域适应框架，该框架由三个部分组成：领域适应、实例渐进判别器和多实例注意学习。该方法利用多实例学习方案和注意机制对目标域的图像和图像之间的关系进行建模。同时，它结合了源域和目标域的所有可用信息，形成了一个联合学习策略。
2024-05-10 10:33:09
1032
1
原创 阅读论文（四）
糖尿病视网膜病变（DR）数据集存在的一些问题：主要是病变区域小和各种等级类别数据量分布不均（分布不均导致网络注重数量多的分类级，而忽视数量少的分类级），如下两图所示，眼底照图片表面病变区域小、饼图表示在三个主要数据集上的分类等级不均，其中0和2类数据集多，1、3、4类少一、问题的提出。
2024-04-24 16:09:34
796
原创 阅读论文（六）
深度神经网络（DNN）促进了眼底疾病计算机辅助诊断（CAD）系统的发展，帮助眼科医生减少漏诊和误诊率。然而，大多数计算机辅助诊断系统都是数据驱动型的，缺乏对性能有利的先验医学知识。为此，我们利用眼科医生的眼球跟踪信息，创新性地提出了 人机协同human-in-the-loop (HITL)CAD 系统。具体来说，HITL CAD 系统是在多实例学习（MIL）的基础上实现的，临床医生的注视图有利于挑选与诊断相关的实例。此外，还利用双交叉注意 MIL（DCAMIL）网络来抑制噪声实例的不利影响。
2024-04-17 22:23:04
973
1
原创 阅读论文（五）
提出了显著性引导自监督图像转换器(SSiT)用于糖尿病视网膜病变(DR)眼底图像的分级。引入自监督学习(Self-supervised Learning, SSL)，目的是指导具有特定领域先验知识的自监督预训练。具体而言，SSiT采用了两个显著性引导学习任务：(1)基于动量对比进行显著性引导对比学习，利用眼底图像的显著性映射从动量更新的密钥编码器输入序列中去除琐碎的patch。因此，密钥编码器被限制为提供关注显著区域的目标表示，指导查询编码器捕获显著特征。
2024-04-10 16:49:17
537
1
原创 阅读论文（三）
糖尿病性视网膜病变(DR)和糖尿病性黄斑水肿(DME)是导致劳动年龄人口永久性失明的主要原因。DR和DME的自动分级有助于眼科医生为患者设计量身定制的治疗方案，因此在临床实践中至关重要。然而，以往的研究要么对DR进行分级，要么对DME进行分级，而忽略了DR与其并发症，即忽略了DR与DME之间的相关性。此外，位置信息，如黄斑和软硬排气注释，被广泛用作分级的首要条件。这样的注释需要付出很高的成本，因此开发仅基于图像级别监督的自动分级方法是可取的。在这篇论文中，我们提出了一种新颖的跨疾病注意网络（CANet）
2024-03-21 16:15:50
912
原创 阅读论文（二）
本文提出了一种新的基于单一模型的策略，用于小数据集和不平衡数据集的皮肤病变分类。首先，在不同的小型和不平衡数据集上训练各种DCNNs，以验证中等复杂性的模型优于较大的模型。其次，通过加入正则化DropOut和DropBlock来减少过拟合，并提出一种改进的RandAugment增强策略来解决小数据集中样本代表性不足的缺陷;最后，引入了一种新的多加权新损失(MWNL)函数和端到端累积学习策略(CLS)，克服了样本大小和分类难度不均的挑战，减少了异常样本对训练的影响。
2024-03-15 10:45:13
763
原创 PyTorch深度学习框架（二）
定义了一个基于 PyTorch Dataset 类的自定义数据集，该数据集可以被用于加载图像数据并返回图像及其对应的标签。创建了两个数据集对象 ants_dataset 和 bees_dataset，分别用于加载“ants”和“bees”类别的图像数据。每个数据集对象都可以用于访问对应类别的图像数据。先建立ants和bees的标签文件分别为ants_label和bees_label，在ants_label里面创建一个名字为原图片名称.txt的文件，里面内容为ants，之后运行上述代码，即可生成以下结果。
2024-03-07 15:49:36
288
原创 PyTorch深度学习框架（一）
默认的环境是base，想要进入虚拟环境pytorch中。2.安装pytorch 应该以管理员的身份进入cmd。5.在pycharm中新建项目时，先修改环境解释器。文中图片中的水印“爱学习的小凶许”是我的知乎号。anaconda是python的包管理工具。1.检查安装anaconda 打开cmd。3.检查创建的虚拟环境。4.安装pycharm。查看conda 版本。
2024-03-05 15:02:26
178
原创 阅读论文（一）
这篇文章试图复制2016年JAMA上发表的用于检测视网膜眼底照片中的糖尿病视网膜病变的深度学习算法的开发和验证中的主要方法。最初的研究使用来自EyePACS和印度三家医院的非公开眼底图像进行培训。本文使用了来自Kaggle的不同的EyePACS数据集。原始研究使用基准数据集Messidor-2来评估算法的性能。本文使用相同的数据集。在最初的研究中，眼科医生对糖尿病视网膜病变、黄斑水肿和图像分级进行了重新分级。在我们的数据集中，每张图像有一个糖尿病视网膜病变分级，我们自己评估图像的可分级性。
2024-02-29 19:54:22
826
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人