CNN依旧能战:nnU-Net团队新研究揭示医学图像分割的验证误区
数据增强:nnU-Net使用广泛的数据增强技术来提高模型的泛化能力,包括旋转、缩放、弹性形变等。这些基线的设计显示了nnU-Net在自动化、标准化和适应不同硬件能力方面的优势,使其在多个数据集上都能达到或超越其他先进方法的性能。此外,论文还提供了关于这些基线的实施细节和训练策略,这有助于研究社区更容易地复现和利用...
深圳大学香港理工发布MemSAM:「分割一切」模型用于医学视频分割
为了全面评估新方法在半监督视频分割中的有效性,研究人员将CAMUS数据集改编为两个变体:CAMUS-Full和CAMUS-Semi。CAMUS-Full在训练期间使用所有帧的标注,而CAMUS-Semi仅使用舒张末期(ED)和收缩末期(ES)帧的标注。在测试期间,这两个数据集都使用完整的标注进行评估。研究人员从数据集中均匀采样视频...
【五号雷达-数据快讯】STimage-1K4M - 空间转录组图像基因数据集
STimage-1K4M数据集,由北卡罗来纳大学构建,旨在通过提供子图像瓦片的基因表达信息,填补现有医学图像文本数据集中的描述不足。该数据集包含了1,149张图像,这些图像是从空间转录组数据中提取的,能够捕捉到病理图像中每个独立空间点的基因表达信息。每张图像都被细分为更小的子图像瓦片,每个瓦片都配有15,000到30,000...
清华团队在医学影像的图像超分辨研究中取得新进展
近日,该研究以“光声音血管造影术的超分辨率的涂鸦血管数据集增强方法”(Doodledvesselenhancementforphotoacousticangiographysuperresolution)为题,发表于人工智能与医学影像刊物《医学影像分析》(MedicalImageAnalysis)。清华大学深圳国际研究生院数据与信息研究院、清华-伯克利深圳学院2022级博士生马远征为论文的...
三位生物医学大模型时代「盗火者」,窥探生命宇宙的边缘
大规模和专家注释的训练集对医学图像分析至关重要,然而,对医学图像来说,想要获得高质量的标记数据,必须具备一定的专业知识,因此往往比其他领域数据集的创建更加昂贵。为了减轻标记数据收集的负担,陈梅及其合作者多年来专注无监督学习适应的研究。研究发现,无监督域自适应在这一领域大有可为。
还在卷单细胞?肿瘤图像数据高分生信新思路~
数据介绍用于钼靶图像分析的数据集由2321名女性组成,她们在2017年至2018年期间在哈尔滨医科大学肿瘤医院进行的普通人群筛查中接受了数字乳房X线摄影扫描(www.e993.com)2024年7月13日。该数据用于研究中的训练、验证和测试。HR+患者被归类为ER或PR检测呈阳性的患者,而HR患者被归类为ER和PR检测呈阴性的患者。本研究共涉及2321名患者的...
Nature:周玉昆等开发新型AI基础模型,从视网膜图像预测多种疾病
医学人工智能(MedicalAI)能识别视网膜图像中所蕴藏的健康迹象,并因此在推进眼科疾病和系统疾病的诊断上具有巨大潜力。然而,开发高性能AI模型通常需要大量高质量的标签,医学专家的标注容量已经无法满足呈指数级上涨的模型开发需求,导致大量医疗数据未被标注且充分利用。
今天来聊一聊适用于医学图像分割的卷积神经网络—U-net
数据增强策略:由于医学影像数据通常较少,U-net使用了丰富的数据增强策略来扩充数据集,如随机旋转、翻转、缩放等。这样可以提高模型的鲁棒性和泛化能力,在面对不同尺度、姿态和遮挡情况下依然能够准确地进行分割。多通道输入:医学图像通常具有多个通道(如MRI图像可能包含T1、T2、FLAIR等通道),U-net可以直接处理多通道...
清华团队推出多智能体课堂模拟框架;让无声的视频栩栩如生|大模型...
为了解决这个问题,来自深圳市大数据研究院、香港中文大学和NationalHealthDataInstitute的研究团队从PubMed中提炼了医学图像-文本对,并使用MLLMs(GPT-4V)以“非盲“的方式对数据进行去噪和重新格式化,最终创建了包含130万个医学VQA样本的PubMedVision数据集。
通用异常检测新曙光:华科大等揭秘GPT-4V的全方位异常检测表现
为了评估GPT-4V在通用异常检测中的性能,来自华中科技大学、密歇根大学和多伦多大学的研究者联合进行了一项研究,在涉及4个数据模态,9个异常检测任务的15个异常检测数据集上对GPT-4V进行了全面的测试。具体而言,测试的数据集包括图像、点云、视频、时序等模态,并涵盖了工业图像异常检测/定位,医疗图像异...