![](https://img-blog.csdnimg.cn/20190918140012416.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
医学影像
文章平均质量分 90
计算机视觉、多模态学习、大语言模型、医学图像分析、Diffusion 模型等,带你天天读论文
向向2024
计算机视觉、多模态学习、大语言模型、医学图像分析、Diffusion 模型等,带你天天读论文
展开
-
【ISBI2024】Language Grounded Single Source Domain Generalization in Medical Image Segmentation
本文提出了一种显式利用文本信息的方法,通过结合对比学习机制和文本编码器特征来学习更加鲁棒的特征表示。该方法通过文本引导的对比特征对齐技术,在跨模态、跨序列和跨站点等多种场景中评估了其有效性,并与现有文献中的方法进行了性能比较。本文通过结合文本信息和视觉特征,有效地解决了医学图像分割中的单源领域泛化问题,提高了分割的鲁棒性。文本引导的对比特征对齐方法在包括跨模态、跨序列和跨站点设置在内的具有挑战性的临床场景中表现出显著的改进。原创 2024-04-07 10:04:41 · 301 阅读 · 1 评论 -
【2024综述】域泛化-Domain Generalization for Medical Image Analysis
在医学图像分析领域,域泛化(Domain Generalization, DG)是一个重要的研究方向,旨在提高模型在未见过的域上的泛化能力。这一挑战源于不同医院、扫描仪厂商、成像协议和患者群体等导致的数据分布差异[3]。近年来,随着深度学习技术的发展,尽管在医学图像分割等领域取得了专家级的准确率,但这些模型在临床现实环境中应用时往往会出现泛化能力下降和准确性降低的问题[3]。为了解决这一问题,研究者提出了多种方法。原创 2024-04-05 10:43:41 · 2658 阅读 · 1 评论 -
【2024】VLM-CPL:无注释的病理图像分类!来自视觉语言模型的共识伪标签
通过利用预训练的视觉语言模型,以无人工注释的方式进行病理图像分类,通过众包伪标签技术获得伪标签并通过一致性筛选以优化准确性。原创 2024-03-27 08:04:50 · 711 阅读 · 1 评论 -
【ICCV 2023 】SSL-DG: 基于深度学习的医学图像分割技术研究进展:融合半监督学习与域泛化的创新策略**
该论文提出的SSL-DG核心方法是将半监督学习(SSL)和领域泛化(DG)融合起来,以解决医学图像分割的挑战,特别是针对标注数据稀缺和领域偏移问题。该方法受到类级表示的启发,提出未见目标数据可以通过简单的数据增强技术被表示为源数据的线性组合。这种方法导致了域扩散增强的提出,该技术显著丰富了领域多样性。原创 2024-03-14 22:19:04 · 1866 阅读 · 0 评论