<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dmdwan的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dmdwan</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dmdwan]]></copyright><item><title><![CDATA[1.22论文速递]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/135758386</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/135758386</guid><author>dmdwan</author><pubDate>Mon, 22 Jan 2024 21:11:53 +0800</pubDate><description><![CDATA[RA：医学影像中的通用无监督异常检测单位：慕尼黑工业大学, 亥姆霍兹慕尼黑中心等论文链接：https://arxiv.org/pdf/2401.10637.pdf代码链接：https://github.com/ci-ber/RA医学成像数据日益复杂，凸显了对先进异常检测方法的需求，以自动识别各种病理。目前的方法在捕捉广泛的异常方面面临挑战，通常将其用于大脑扫描中的特定病变类型。]]></description><category></category></item><item><title><![CDATA[1.13论文速递]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/135569241</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/135569241</guid><author>dmdwan</author><pubDate>Sat, 13 Jan 2024 13:50:08 +0800</pubDate><description><![CDATA[可信AI的Dempster-Shafer方法及在胎儿脑MRI分割中的应用单位： 伦敦国王学院, 鲁汶大学附属医院, 慕尼黑工业大学, 苏黎世大学医学院等论文链接：https://arxiv.org/pdf/2204.02779.pdf本文提出一个可信人工智能理论框架和一个实用系统，可以使用基于 Dempster-Shafer 理论的回退方法和故障安全机制来增强任何backbone人工智能系统，并在最大的胎儿大脑 MRI 分割数据集上验证了有效性。]]></description><category></category></item><item><title><![CDATA[1.11论文速递]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/135537381</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/135537381</guid><author>dmdwan</author><pubDate>Thu, 11 Jan 2024 19:46:24 +0800</pubDate><description><![CDATA[基于 CT 的身体成分分析的增强肌肉和脂肪分割：比较研究单位：美国国立卫生研究院, 沃尔特·里德国家军事医学中心论文链接：https://arxiv.org/pdf/2401.05294.pdf本文评估了SAROS 数据集中的 900 个 CT 系列的工具，重点关注肌肉、皮下脂肪和内脏脂肪分割，证明该内部工具性能表现出色！在提高身体成分分析准确性方面的潜力！目的：常规腹部 CT 的身体成分测量可以对无症状和患病患者进行个性化风险评估。]]></description><category></category></item><item><title><![CDATA[1.10论文速递]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/135512084</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/135512084</guid><author>dmdwan</author><pubDate>Wed, 10 Jan 2024 20:16:06 +0800</pubDate><description><![CDATA[使用 YOLOv8 和 DeiT 对医学图像进行脑肿瘤异常感知诊断单位：赞詹大学论文链接：https://arxiv.org/pdf/2401.03302.pdf本文深入研究了最先进的模型，特别是YOLOv8和DeiT，用于肿瘤检测和分类任务的综合评估，还采用了一种新的性能评估方法，称为患者对患者(PTP)，重点是对模型的现实评估。在医学领域，由于肿瘤在患者群体中的罕见性，从图像中可靠地检测和分类脑肿瘤仍然是一个巨大的挑战。因此，在异常情况下检测肿瘤的能力对于确保及时干预和改善患者预后至关重要。]]></description><category></category></item><item><title><![CDATA[1.9论文速递]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/135490012</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/135490012</guid><author>dmdwan</author><pubDate>Tue, 09 Jan 2024 21:17:18 +0800</pubDate><description><![CDATA[AFLoc：用于无注释病理定位的通用视觉语言预训练单位：中科院, 鹏城实验室, 国科大, 港大论文链接：https://arxiv.org/pdf/2401.02044.pdfAFLoc：一种用于无注释病理定位的通用视觉语言预训练模型，核心优势在于其无图像注释的基于多级语义结构的对比学习，它全面对齐来自具有丰富图像特征的报告的多粒度医学概念，在多个医学任务上性能表现SOTA！从医学图像中自动定位病理有助于了解疾病的出现和进展，这种能力可以极大地有益于临床诊断。]]></description><category></category></item><item><title><![CDATA[[论文阅读]Improving Representation Learning for Histopathologic Images with Cluster Constraints]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/134395461</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/134395461</guid><author>dmdwan</author><pubDate>Tue, 14 Nov 2023 11:37:13 +0800</pubDate><description><![CDATA[全幻灯片图像(WSI)扫描仪和计算能力的最新进展极大地推动了人工智能在组织病理学幻灯片分析中的应用。虽然这些进步是有希望的，但目前用于WSI分析的监督学习方法面临着对高分辨率幻灯片进行详尽标记的挑战，这一过程既费时又费力。相比之下，自我监督学习(SSL)预训练策略正在成为一种可行的替代方案，因为它们不依赖于显式的数据注释。这些SSL策略正在迅速弥合与受监督策略之间的性能差距。在此上下文中，我们将引入SSL框架。该框架旨在通过协同WSI分析中的不变性损失和聚类损失，实现可转移表征学习和语义有意义聚类。]]></description><category></category></item><item><title><![CDATA[【论文阅读】PMC-CLIP:使用生物医学文档的对比语言图像预训练]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/134127131</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/134127131</guid><author>dmdwan</author><pubDate>Mon, 30 Oct 2023 20:13:14 +0800</pubDate><description><![CDATA[在大规模数据集上训练的基础模型最近在 CV 和 NLP 方面取得了飞速发展。相比之下，生物医学领域由于数据匮乏，发展远远滞后。为了解决这个问题，我们构建并发布了 PMC-OA，这是一个生物医学数据集，包含从 PubMedCentral 的 OpenAccess 子集收集的 160 万个图像标题对，比以前大 8 倍。PMC-OA 涵盖多种模式或疾病，大多数图像标题样本在更细粒度的级别上对齐，即子图和子标题。]]></description><category></category></item><item><title><![CDATA[【论文阅读】LARGE-SCALE DOMAIN-SPECIFIC PRETRAINING FOR BIOMEDICAL VISION-LANGUAGE PROCESSING]]></title><link>https://blog.youkuaiyun.com/dmdwan/article/details/134065065</link><guid>https://blog.youkuaiyun.com/dmdwan/article/details/134065065</guid><author>dmdwan</author><pubDate>Thu, 26 Oct 2023 21:41:04 +0800</pubDate><description><![CDATA[基于并行图像-文本数据的对比预训练在视觉语言处理（VLP）中取得了巨大的成功，其中以CLIP和相关方法为代表。然而，先前的探索往往集中在网络的一般领域。生物医学图像领域和文本是相当不同的，但公开可用的数据集很小，而且倾向于胸部x射线，因此严重限制了进展。在本文中，我们进行了迄今为止最大的生物医学VLP研究，使用了从PubMed Central 的生物医学研究文章中提取的1500万对图标题。]]></description><category></category></item></channel></rss>