- 博客(18)
- 收藏
- 关注
RSS订阅原创 用于弱监督组织病理图像分割的无偏激活图探索
组织病理学图像中的组织分割在计算病理学中起着至关重要的作用，因为它具有预测癌症患者预后的重要潜力。目前，许多弱监督语义分割(WSSS)方法都致力于利用图像级标签来实现像素级分割，目的是最小化对详细标注的需求。这些方法大多依赖于从分类模型中提取的类激活映射(CAM)，经常导致对象覆盖率较低。主要原因是分类模型存在很强的归纳偏差，主要关注对象的区别性特征，而不是非区别性特征。受此启发，我们提出了一种简单而有效的方法，通过利用区分特征和非区分特征来引入自监督任务，并生成包含整个对象的无偏激活图(UAM)。
2026-04-23 11:57:39
402
原创 基于MAMBA的跨模式文本信息弱监督医学图像分割
本文提出了一种基于Mamba的弱监督医学图像分割方法TIFCMamba，利用跨模态文本信息降低标注成本。该方法通过并行处理图像和文本建立跨模态对应关系，采用对比学习对齐片段编码特征。创新性地设计了MambaFusion模块，通过二维融合机制结合文本和图像特征，在保持计算效率的同时实现模态交互。实验表明，在息肉和皮肤病变数据集上，该方法与全监督和现有弱监督方法相比具有竞争力。消融实验验证了文本描述质量和特征融合方式对性能的影响，模型在计算效率和分割精度间取得了良好平衡。
2026-04-02 16:34:16
426
原创 用于病理图像多类分割的弱监督状态空间模型PathMamba
本文提出PathMamba，一种基于状态空间模型的弱监督病理图像多类分割方法。该方法仅需图像级标签，通过多实例多标签学习提取像素级特征，并设计对比Mamba块融合像素级和斑块级特征。创新性地引入双粒度对比Mamba模块捕获非因果特征，并提出深度对比监督损失优化特征学习。在LUAD-HistoSeg和BCS-WSSS数据集上的实验表明，PathMamba性能优于现有弱监督方法，接近全监督模型，Dice指标分别提升2.2%和2.4%。该方法为降低病理图像标注成本提供了有效解决方案。
2026-04-01 09:11:15
434
原创 弱监督互斥多类脑肿瘤图像分割的类间可分离性损失
摘要：医学图像分割对于诊断和治疗规划是必不可少的，然而完全有监督的深度学习方法需要昂贵的像素级注释。使用类激活映射(CAM)的弱监督语义分割(WSSS)通过利用图像级标签来减少这一负担。虽然二进制CAM已经显示出有希望的结果，但多类CAM仍然没有得到充分的探索，并且由于定位信号弱而导致精度降低。为了解决这一问题，我们提出了一种新的方法，通过利用二进制CAM来指导多类CAM，增强了特征表示、类间边界分割和预测精度，从而改进了多类WSSS。
2026-03-28 22:59:08
399
原创 A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation
本文提出了一种基于反事实生成的可解释脑肿瘤分割框架，通过类关联嵌入(CAE)和拓扑数据分析实现弱监督学习。该方法利用对称循环生成对抗网络分离类相关与类无关特征，构建全局可解释的流形，并设计基于规则的路径生成对比样本。该框架无需像素级标注，为医学图像分析提供了新的解决方案。
2026-01-22 12:03:50
753
原创 BraTS-UMamba（MICCA2025）
本文提出BraTS-UMamba模型用于脑肿瘤分割，该模型创新性地结合了自适应Mamba模块和双频带特征增强技术。针对现有CNN方法感受野有限和ViT计算复杂度高的问题，模型通过双粒度Mamba层捕获长程依赖，并采用自适应特征融合机制。特别地，通过拉普拉斯金字塔分解提取高低频特征，结合跨域注意力机制优化空间特征表示。实验在MSDBTS和BraTS2023-GLI数据集上验证了模型优越性，平均DSC达85.11%，显著优于现有方法。
2025-12-15 16:40:56
870
原创 DiffFNO: Diffusion Fourier Neural Operator
本文提出DiffFNO，一种基于扩散框架与加权傅里叶神经算子(WFNO)的新型超分辨率方法。通过模式再平衡机制增强高频重建能力，并采用门控融合机制整合WFNO的频谱特征和AttnNO的空间特征。提出的自适应时间步长ODE求解器可动态调整积分步长，显著提升推理效率。实验表明，DiffFNO在PSNR指标上优于现有方法2-4dB，在多种缩放因子下均表现优异，同时保持较低的计算开销。该方法为超分辨率领域树立了新的性能标杆，在重建质量和计算效率间实现了最佳平衡。
2025-11-03 14:34:40
882
原创 (读论文1)FOUNDATION MODEL OF ELECTRONIC MEDICAL RECORDS FORADAPTIVE RISK ESTIMATION(电子病历自适应风险评估的基础模型)
本研究开发了一种基于Transformer架构的增强型健康结果模拟系统(ETHOS)及其临床应用框架ARES，用于动态预测住院患者关键临床结局。该系统通过构建标记化患者健康时间轴(PHTs)，整合了多维电子健康记录数据，可同步评估死亡率、ICU转入和住院时长等风险指标。在MIMIC-IV数据集验证中，ETHOS模型在所有预测任务上均显著优于传统预警系统和机器学习基准，AUC提升明显。
2025-08-21 22:59:12
1118
原创 0、MEDS的介绍
MEDS是一套针对电子健康记录（EHR）的开源数据标准及生态系统，专注于简化EHR数据的结构化处理。其核心是将EHR数据视为患者事件的时序序列，采用分片Parquet文件存储，支持并行处理和高效查询。系统包含数据文件（按患者/时间组织）和元数据文件（编码表、数据集描述等），支持标准化的训练/调优/测试集划分，同时允许自定义扩展。通过示例展示了如何利用MEDS格式分析患者身高与心率的关系，体现了其在不同EHR系统间实现标准化处理的优势。
2025-08-12 13:51:55
1509
原创 Kaiming初始化的数学补偿
摘要：Kaiming初始化（He初始化）通过调整权重分布的方差来补偿ReLU激活函数导致的信号损失。ReLU的正区间线性放大信号，负区间完全抑制，导致约50%神经元被置零，使信号方差减半。Kaiming初始化使用特定缩放系数（如nn.init.kaiming_normal_）来维持各层输出方差稳定，防止梯度消失或爆炸。相比普通小正态分布，它能确保梯度有效传播，是深度神经网络训练的优化方案。
2025-08-10 17:00:49
359
原创 对于padding=k//2是如何填充大小，保持时间步数不变
1D卷积中，padding=k//2是一种对称填充策略，用于保持输入输出序列长度一致。该策略在卷积核为奇数时（如3、5）能完美实现长度不变，满足公式2×padding=kernel_size-1。
2025-08-10 16:10:47
228
原创 7、基于MEDS data构建神经网络模型
本教程详细介绍了如何使用MEDS数据构建神经网络模型来预测患者短期ICU住院时间。主要内容包括：1. 数据准备：将MEDS格式数据集转换为适合神经网络的格式，包括代码索引映射和数值特征标准化。2. 模型架构：设计了一个基于1D卷积的时序处理模型，包含嵌入层、卷积块和预测头。3. 训练流程：使用PyTorch Lightning框架实现端到端训练，包括数据处理模块和训练模块的封装。4. 性能评估：展示了模型在小规模数据集上的训练过程，并观察到过拟合现象。该教程为处理医疗时序数据提供了完整的建模流程。
2025-08-09 17:54:47
1232
2
原创 6、基于MEDS数据构建表格型基线模型
本文介绍了使用MEDS框架构建ICU短期住院预测模型的全流程。首先展示了如何将MEDS格式的医疗事件数据转换为适合传统机器学习算法的表格形式，重点解决了时间窗口处理和特征聚合问题。通过实例演示了人口统计、生命体征等关键特征的提取方法，并构建了逻辑回归模型进行评估。文章还介绍了MEDS-Tab工具，可自动化完成特征工程和模型训练过程。最后提供了模型评估方法，包括准确率和AUROC等指标的计算，以及MEDS-Evaluation工具的使用。
2025-08-08 22:06:45
763
原创 5、从MEDS数据中提取预测任务
本文介绍了使用ACES工具包从MEDS数据中提取预测任务的方法。通过模拟临床专家与AI开发者的对话，演示了如何将"预测ICU住院时长异常"这一模糊临床需求转化为可计算的任务定义。重点包括：1)确定24小时输入窗口和3天预测阈值；2)设置患者纳入/排除标准；3)处理未来信息泄漏等复杂情况。最终将自然语言描述转化为ACES配置语言，通过命令行工具自动提取标签数据。该流程展示了如何将临床问题转化为结构化机器学习任务，确保预测任务具有临床相关性和可复现性。
2025-08-08 15:22:53
1323
原创 3、完整版MESSY配置文件
本文介绍了MESSY配置文件的完整版本及MEDS-Extract工具的使用方法。配置文件采用YAML格式，定义了患者信息、住院记录、ICU数据等多个医疗数据字段的映射规则。使用MEDS-Extract只需两个步骤：安装工具包后运行管道处理程序，通过参数指定输入输出目录及配置文件位置。工具会生成详细日志用于调试，最终输出包含标准化医疗事件数据和元数据。虽然处理过程中会产生大量临时文件，但这对大数据处理至关重要。文章展示了如何基于MIMIC数据集构建MEDS数据集，为医疗数据处理提供了标准化解决方案。
2025-08-07 21:14:14
352
原创 2、使用 MEDS-Extract 实现自动化数据提取
摘要：MEDS-Extract工具通过MESSY文件（YAML格式）实现高效数据转换，将原始数据映射为MEDS标准格式。该方案采用简洁的配置语法，支持时间格式解析、列引用与字符串字面量区分，以及代码列的拼接规则。虽然存在部分高级操作需预处理等限制，但已能完成多数数据块的自动转换，显著提升了医疗数据标准化效率。
2025-08-07 20:43:11
857
原创 1、MEDS 数据提取：概念解析
本文介绍了MIMIC-IV医疗数据集的基本结构及转换为MEDS格式的映射方法。数据集包含患者基础信息、住院记录、手术记录和ICU监测数据等核心文件。重点分析了hosp/patients表的数据转换，提出将患者信息映射为三类MEDS事件记录：性别（静态属性）、死亡（记录时间）和出生（计算时间）。通过YAML格式展示了事件映射规则，包括主体标识、时间戳和事件编码的提取方法。该转换过程遵循MEDS标准，旨在将复杂的医疗数据统一为简洁的事件记录格式。
2025-08-07 20:22:05
1875
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