Subtype-aware Unsupervised Domain Adaptation for Medical Diagnosis
Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Nankai University（南开大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Southern California（南加州大学）；China University of Mining and Technology（中国矿业大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
无监督领域自适应（UDA）的最新进展表明，可转移的原型学习提供了一个强大的手段类条件对齐，鼓励跨域类质心的接近。然而，跨域内部类的紧凑性和底层的细粒度子类型结构仍然在很大程度上未被探索。在这项工作中，我们建议自适应地进行细粒度的子类型感知对齐显式地强制执行类的分离和子类型的紧凑性与中间伪标签。我们的主要观点是，类的未标记子类型可以通过不同的条件和标签偏移彼此发散，同时继承子类型内的局部邻近性。研究了有或没有关于亚型编号的先验信息的情况，以在线方式发现潜在的亚型结构。所提出的子类型感知的动态UDA在医疗诊断任务上取得了可喜的成果。
2021-01-11 cs.AI cs.CV cs.LG
Optimal Latent Vector Alignment for Unsupervised Domain Adaptation in Medical Image Segmentation
École Centrale de Nantes（南特中央理工学院）；Laboratoire des Sciences du Numérique de Nantes（南特数字科学实验室）；CNRS（法国国家科学研究中心）
本文讨论了分割的域转移问题。作为解决方案，我们提出了OLVA，一种新的和轻量级的无监督领域自适应方法的基础上变分自动编码器（VAE）和最优传输（OT）理论。由于VAE，我们的模型学习了一个遵循正态分布的共享跨域潜在空间，这减少了域偏移。为了保证有效的分割，我们的共享潜在空间被设计为对形状而不是强度变化进行建模。我们进一步依赖于OT损失来匹配和对齐潜在空间中两个域之间的剩余差异。我们证明了OLVA的有效性的公共多模态全心脏分割（MM-WHS）数据集上的多个心脏结构的分割，其中的源域包括注释的3D MR图像和未标记的目标域的3D CT。我们的研究结果显示了显着的改善，额外的利润率为12.5%的骰子分数比并发生成训练方法。
2021-06-15 cs.AI cs.CV cs.LG
Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for Source-Relaxed Medical Image Segmentation
Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
无监督领域自适应（UDA）是一种重要的协议，用于迁移从标记的源域中学习到的信息，以促进在未标记的异构目标域中的实现。尽管UDA通常在来自两个域的数据上进行联合训练，但由于对患者数据隐私或知识产权的担忧，访问标记的源域数据通常受到限制。为了回避这一点，我们提出了“现成的（OS）”UDA（OSUDA），旨在图像分割，通过适应OS分割器训练的源域的目标域，在没有源域数据的适应。为了实现这一目标，我们的目标是开发一种新的批量归一化（BN）统计适应框架。特别是，我们逐渐适应特定于域的低阶BN统计，例如，均值和方差，通过指数动量衰减策略，同时明确地强制域可共享的高阶BN统计的一致性，例如，缩放和移位因子，通过我们的优化目标。我们还通过低阶统计发散和缩放因子自适应地量化了通道的可转移性，以衡量每个通道的重要性。此外，我们将无监督自熵最小化纳入我们的框架，以提高性能，同时采用一种新的排队，内存一致的自训练策略，利用可靠的伪标签进行稳定和有效的无监督自适应。我们评估了基于OSUDA的框架在跨模态和跨亚型脑肿瘤分割以及心脏MR到CT分割任务上的应用。我们的实验结果表明，我们的内存一致OSUDA性能优于现有的源松弛UDA方法，并产生类似的性能与源数据的UDA方法。
2022-09-16 cs.AI cs.CV cs.LG
ConFUDA: Contrastive Fewshot Unsupervised Domain Adaptation for Medical Image Segmentation
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡弗里德里希-亚历山大大学（FAU））；Stanford University（斯坦福大学）
无监督领域自适应（UDA）旨在将从标记的源领域学习到的知识转移到未标记的目标领域。UDA背景下的对比学习（CL）可以帮助更好地分离特征空间中的类。然而，在图像分割中，由于逐像素对比度损失的计算而导致的大的存储器占用使得其无法使用。此外，标记的目标数据在医学成像中不容易获得，并且获得新的样本不经济。因此，在这项工作中，我们解决了一个更具挑战性的UDA任务时，只有几个（fewshot）或一个单一的（oneshot）图像可从目标域。我们应用了风格转换模块来缓解目标样本的稀缺性。然后，为了使源特征和目标特征对齐，并解决传统对比度丢失的记忆问题，提出了基于质心的对比学习（CCL）和质心范数正则化器（CNR），以优化方向和幅度上的对比度对。此外，我们还提出了多分区形心对比学习（MPCCL）来进一步减少目标特征的方差。MS-CMRSeg数据集上的Fewshot评估表明，与基线相比，ConFUDA在目标域上的分割性能提高了0.34的Dice分数，并且在更严格的oneshot设置中提高了0.31的Dice分数。
2022-06-08 cs.CV cs.LG
MT-UDA: Towards Unsupervised Cross-modality Medical Image Segmentation with Limited Source Labels
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）
深度卷积神经网络（DCNN）的成功得益于大量的注释数据。然而，注释医学图像是费力的，昂贵的，并且需要人类的专业知识，这引起了标签稀缺问题。特别是当遇到域转移时，问题变得更加严重。虽然深度无监督域自适应（UDA）可以利用完善的源域注释和丰富的目标域数据来促进跨模态图像分割，并且还减轻目标域上的标签缺乏问题，但是当源域注释缺乏时，传统的UDA方法遭受严重的性能下降。在本文中，我们探讨了一个具有挑战性的UDA设置-有限的源域注释。我们的目标是研究如何有效地利用未标记的数据从源和目标域有限的源注释跨模态图像分割。为了实现这一点，我们提出了一个新的标签有效的UDA框架，称为MT-UDA，其中学生模型训练有限的源标签从两个领域的未标记的数据分别由两个教师模型以半监督的方式学习。更具体地说，学生模型不仅通过鼓励预测一致性来提取域内语义知识，而且还通过实施结构一致性来利用域间解剖信息。因此，学生模型可以有效地整合可用数据资源下的基础知识，以减轻源标签稀缺性的影响，并提高跨模态分割性能。我们在MM-WHS 2017数据集上评估了我们的方法，并证明了我们的方法在源标签稀缺的情况下比最先进的方法有很大的优势。
2022-03-23 cs.CV cs.LG eess.IV
MAPSeg: Unified Unsupervised Domain Adaptation for Heterogeneous Medical Image Segmentation Based on 3D Masked Autoencoding and Pseudo-Labeling
Columbia University（哥伦比亚大学）；Télécom Paris（巴黎电信学院）；Institut Polytechnique de Paris（巴黎综合理工学院）；University of Maryland, College Park（马里兰大学帕克分校）；University of California, Irvine（加州大学欧文分校）；University of Rochester（罗切斯特大学）；Universidade Federal de São Paulo（圣保罗联邦大学）；Duke University（杜克大学）；Emory University（埃默里大学）
本文提出统一无监督域自适应框架MAPSeg，结合3D掩码自编码与伪标签，首次同时支持集中式、联邦式和测试时UDA，并在婴儿脑MRI和心脏CT-MRI分割上显著超越现有方法。
2024-03-30 cs.AI cs.CV cs.LG
A Tour of Unsupervised Deep Learning for Medical Image Analysis
Jamia Millia Islamia（贾米亚·米利亚·伊斯兰大学）
从高维和异构数据中解释用于诊断和治疗复杂疾病的医学图像仍然是医疗保健转型的关键挑战。在过去的几年里，监督和无监督深度学习在医学成像和图像分析领域都取得了可喜的成果。与监督学习不同，监督学习偏向于如何监督和手动为算法创建类标签，无监督学习直接从数据本身获得见解，对数据进行分组，并帮助做出数据驱动的决策，而没有任何外部偏见。本文系统地介绍了应用于医学图像分析的各种无监督模型，包括自动编码器及其几种变体，限制玻尔兹曼机，深度信念网络，深度玻尔兹曼机和生成对抗网络。最后讨论了无监督技术在医学图像分析中的应用前景和面临的挑战。
2018-12-19 cs.CV cs.LG eess.IV
Interpreting Latent Spaces of Generative Models for Medical Images using Unsupervised Methods
University of Copenhagen（哥本哈根大学）；Rigshospitalet（哥本哈根大学国立医院）
生成对抗网络（GANs）和变分自编码器（VAE）等生成模型在医学图像分析中发挥着越来越重要的作用。这些模型的潜在空间通常显示与人类可解释的图像变换相对应的语义上有意义的方向。然而，到目前为止，由于监督数据的要求，他们对医学图像的探索受到了限制。在GAN潜在空间中无监督发现可解释方向的几种方法在自然图像上显示出有趣的结果。这项工作探讨了将这些技术应用于医学图像的潜力，通过在胸部CT扫描上训练GAN和VAE，并使用无监督的方法来发现由此产生的潜在空间中的可解释方向。我们发现几个方向对应于非平凡的图像变换，如旋转或乳房大小。此外，这些方向表明，生成模型捕捉3D结构，尽管只呈现2D数据。结果表明，在GANs中发现可解释方向的无监督方法可推广到VAE，并可应用于医学图像。这打开了一个广泛的未来的工作，使用这些方法在医学图像分析。
2022-07-20 cs.CV cs.LG eess.IV
Unsupervised Medical Image Segmentation with Adversarial Networks: From Edge Diagrams to Segmentation Maps
Vector Institute（向量研究所）；McMaster University（麦克马斯特大学）
我们开发和接近无监督语义医学图像分割，扩展了以前的工作与生成对抗网络。我们使用现有的边缘检测方法来构建简单的边缘图，训练生成模型将其转换为合成医学图像，并使用提取的边缘图上的变化构建具有已知分割的合成图像的数据集。然后使用该合成数据集来训练监督图像分割模型。我们在肾脏超声图像的临床数据集和基准ISIC 2018皮肤病变数据集上测试了我们的方法。我们证明了我们的无监督方法比以前的无监督方法更准确，并且与监督图像分割模型相比表现合理。所有代码和训练模型都可以在https://github.com/kiretd/Unsupervised-MIseg上找到。
2019-11-12 cs.AI cs.CV cs.LG
Enriching Unsupervised User Embedding via Medical Concepts
University of Memphis（孟菲斯大学）；Adobe Research（奥多比研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）
电子健康记录（EHR）中的临床记录提供了丰富的患者记录信息，以推断疾病诊断的表型和研究队列选择的患者特征。无监督用户嵌入的目的是在没有人类监督的情况下将患者编码为固定长度的向量。从临床笔记中提取的医学概念包含患者与其临床类别之间的丰富联系。然而，现有的从临床笔记中嵌入用户的无监督方法没有明确地结合医学概念。在这项研究中，我们提出了一个概念感知的无监督用户嵌入，共同利用文本文档和医学概念，从两个临床语料库，MIMIC-III和糖尿病。我们评估用户嵌入的外在和内在的任务，包括表型分类，在医院死亡率预测，病人检索，和病人的相关性。在两个临床语料库上的实验表明，我们的方法超过了无监督的基线，并纳入医疗概念可以显着提高基线性能。
2022-03-29 cs.CL cs.LG
Implicit field learning for unsupervised anomaly detection in medical images
City, University of London（伦敦大学城市学院）；Imperial College（帝国理工学院）
提出了一种基于隐场图像表示的无监督医学图像分布外检测方法。在我们的方法中，自动解码器前馈神经网络以组织类型代理的空间坐标和概率之间的映射形式学习健康图像的分布。在推理时，学习的分布用于从给定的测试图像中检索恢复，即与输入图像最大一致但属于健康分布的图像。异常使用我们的模型预测的恢复图像的体素概率进行本地化。我们测试了我们的方法在脑MR图像上的神经胶质瘤的无监督定位任务，并将其与其他几种基于VAE的异常检测方法进行了比较。结果表明，所提出的技术大大优于他们（平均DICE 0.640与0.518的最佳性能基于VAE的替代），同时也需要相当少的计算时间。
2021-06-09 cs.CV cs.LG eess.IV
Medical Image Segmentation via Unsupervised Convolutional Neural Network
Johns Hopkins Medical Institutes（约翰斯·霍普金斯医学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Department of Radiology and Radiological Science（放射学与放射科学系）；Department of Electrical and Computer Engineering（电气与计算机工程系）
对于大多数基于学习的分割方法，需要大量高质量的训练数据。在本文中，我们提出了一种新的基于学习的分割模型，可以训练半或无监督。具体而言，在无监督设置中，我们通过卷积神经网络（ConvNet）对无边缘活动轮廓（ACWE）框架进行参数化，并使用自监督方法优化ConvNet的参数。在另一种设置（半监督）中，在训练期间使用辅助分割基础事实。我们表明，该方法提供了快速和高质量的骨分割的背景下，单光子发射计算机断层扫描（SPECT）图像。
2020-07-06 cs.CV cs.LG eess.IV
Towards Universal Unsupervised Anomaly Detection in Medical Imaging
Technical University of Munich（慕尼黑工业大学）；Helmholtz AI and Helmholtz Center Munich（亥姆霍兹人工智能与亥姆霍兹慕尼黑中心）；Klinikum Rechts der Isar（伊萨尔河右岸医院）；Imperial College London（伦敦帝国理工学院）
本文提出 Reversed Auto-Encoders（RA）无监督方法，通过伪健康重建跨脑MRI、儿童腕部和胸部X光检测多种病变，性能优于现有方法。
2024-01-19 cs.CV cs.LG eess.IV
Contrastive learning for unsupervised medical image clustering and reconstruction
University of Rome Tor Vergata（罗马第二大学）；University of Cambridge（剑桥大学）；Athinoula A. Martinos Center for Biomedical Imaging（阿西诺拉·A·马蒂诺斯生物医学成像中心）
与临床建立的疾病类别相比，缺乏大型标记的医学成像数据集以及显著的个体间变异性，对在精确医学范例中利用医学成像信息提出了重大挑战，其中原则上可以采用密集的患者特异性数据来制定个体预测和/或将患者分层为更精细的-颗粒组可能遵循更均匀的轨迹，因此可以进行临床试验。为了有效地探索有效的自由度潜在的变化，在医学图像中的无监督的方式，在这项工作中，我们提出了一个无监督的自动编码器框架，增强了对比度损失，以鼓励高分离的潜在空间。该模型在（医学）基准数据集上进行了验证。由于根据聚类分配将聚类标签分配给每个示例，因此我们将性能与监督迁移学习基线进行比较。我们的方法实现了类似的性能，监督架构，表明在潜在空间中的分离再现专家的医疗卫生机构分配的标签。所提出的方法可能是有益的患者分层，探索新的细分较大的类或病理连续，或由于其采样能力的变化设置，数据增强在医学图像处理。
2022-09-24 cs.CV cs.LG
Discovering key topics from short, real-world medical inquiries via natural language processing and unsupervised learning
Bayer AG（拜耳股份公司）；areto consulting gmbh（areto咨询有限公司）
制药公司每年收到数百万份未经请求的医疗咨询。据推测，这些调查代表了一个信息宝库，可能会深入了解有关药品和相关医疗的问题。然而，由于调查的数量大和专业性质，很难进行及时、经常和全面的分析。在这里，我们提出了一种基于自然语言处理和无监督学习的机器学习方法，以自动发现客户真实医疗查询中的关键主题。这种方法既不需要本体，也不需要注释。根据医疗信息专家的判断，发现的主题是有意义的，与医疗相关的，因此表明主动提出的医疗咨询是有价值的客户见解的来源。我们的工作为制药行业的机器学习驱动的医疗查询分析铺平了道路，最终旨在改善患者护理。
2020-12-08 cs.CL cs.IR cs.LG
UnSegMedGAT: Unsupervised Medical Image Segmentation using Graph Attention Networks Clustering
Shiv Nadar School（希夫·纳达尔学校）；Shiv Nadar Institution of Eminence（希夫·纳达尔卓越机构）
针对医学图像标注稀缺问题，提出基于预训练Dino-ViT与图注意力网络的无监督分割框架，利用模块度损失捕获图像图结构，在ISIC-2018和CVC-ColonDB上达到或超越半监督方法MedSAM的性能。
2024-11-04 cs.CV cs.LG
Data-Efficient Unsupervised Interpolation Without Any Intermediate Frame for 4D Medical Images
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；AITRICS；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
本文提出UVI-Net无监督体积插值框架，无需中间帧即可实现4D医学图像时间插值，在数据极度稀疏时仍表现优异。
2024-04-01 cs.AI cs.CV cs.LG
Auto-Encoding Knowledge Graph for Unsupervised Medical Report Generation
Peking University（北京大学）；Yale University（耶鲁大学）；Tencent（腾讯）；University of Washington（华盛顿大学）
医学报告生成是针对给定的医学图像自动生成长而连贯的报告的一种方法，已经受到越来越多的研究兴趣。现有的方法主要采用监督的方式，严重依赖于耦合的图像报告对。然而，在医学领域，构建大规模的图像-报告配对数据集既耗时又昂贵。为了放松对配对数据的依赖，我们提出了一个无监督模型知识图谱自动编码器（KGAE），它接受独立的图像和报告集的训练。KGAE由一个预先构造的知识图谱、一个知识驱动的编码器和一个知识驱动的解码器组成。知识图谱作为共享的潜在空间来桥接视觉域和文本域;知识驱动的编码器将医学图像和报告投影到该潜在空间中的相应坐标，并且知识驱动的解码器在该空间中给定坐标的情况下生成医学报告。由于知识驱动的编码器和解码器可以用独立的图像和报告集进行训练，因此KGAE是无监督的。实验表明，无监督KGAE生成理想的医疗报告，而不使用任何图像报告训练对。此外，KGAE还可以在半监督和监督设置下工作，并在训练中接受配对的图像和报告。通过对图像-报告对的进一步微调，KGAE在两个数据集上的表现始终优于当前最先进的模型。
2021-11-15 cs.AI cs.CL cs.CV
Unsupervised deep clustering for predictive texture pattern discovery in medical images
Computational Imaging Research Lab (CIR)（计算成像研究实验室（CIR））；Department of Biomedical Imaging and Image-guided Therapy（生物医学成像与影像引导治疗系）；Medical University of Vienna（维也纳医科大学）
成像数据中的预测标记模式是量化疾病和进展的一种手段，但如果对潜在的生物学知之甚少，则其识别具有挑战性。在这里，我们提出了一种方法来识别预测的医学图像中的纹理模式，在无监督的方式。基于深度聚类网络，我们在低维潜在空间中同时编码和聚类医学图像块。由此产生的聚类作为疾病分期的特征，将它们与潜在疾病联系起来。我们对70例不同阶段肝脂肪变性患者的T1加权磁共振图像进行了评估。深度聚类方法能够找到具有稳定排名的预测聚类，区分F1评分为0.78的低脂肪变性和高脂肪变性。
2020-01-31 cs.CV cs.LG
Unsupervised Multimodal Representation Learning across Medical Images and Reports
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
医学成像模式和相关放射学报告之间的联合嵌入有可能为临床社区提供显著的益处，范围从跨域检索到报告的条件生成，再到多模态表示学习的更广泛目标。在这项工作中，我们建立了基线联合嵌入结果测量通过本地和全球检索方法即将发布的MIMIC-CXR数据集，包括胸部X射线图像和相关的放射学报告。我们研究了监督和无监督的方法在这个任务上，并表明，对于学习表示的文档检索任务，只需要有限的监督量产生的结果相比，完全监督的方法。
2018-11-21 cs.CL cs.LG
MADGAN: unsupervised Medical Anomaly Detection GAN using multiple adjacent brain MRI slice reconstruction
LPIXEL Inc.（LPIXEL公司）；University of Cambridge（剑桥大学）；National Institute of Informatics（国立信息学研究所）；National Center for Global Health and Medicine（国立国际医疗研究中心）；Juntendo University（顺天堂大学）；ELTE Eötvös Loránd University（厄特沃什·罗兰大学）；The University of Tokyo（东京大学）
无监督学习可以依靠健康受试者的大规模无注释医学图像发现各种看不见的异常。为此，无监督方法重建2D/3D单个医学图像，以检测学习的特征空间中的异常值或来自高重建损失的异常值。然而，在不考虑多个相邻切片之间的连续性的情况下，它们不能直接区分由细微解剖异常的积累组成的疾病，例如阿尔茨海默病（AD）。此外，没有研究表明无监督的异常检测如何与疾病阶段、各种（即，超过两种类型的）疾病，或多序列磁共振成像（MRI）扫描。因此，我们提出了无监督医学异常检测生成对抗网络（MADGAN），这是一种新的两步法，使用基于GAN的多个相邻脑MRI切片重建来检测多序列结构MRI上不同阶段的脑异常：（重建）Wasserstein损失与梯度惩罚+ 100 L1损失-在3个健康脑轴向MRI切片上训练以重建下3个切片-重建看不见的健康/异常扫描;（诊断）每次扫描的平均L2丢失可以区分它们，比较地面真实/重建切片。为了进行训练，我们使用了两个不同的数据集，分别由1，133个健康的T1加权（T1）和135个健康的对比增强T1（T1 c）脑MRI扫描组成，用于检测AD和脑转移/各种疾病。我们的Self-Attention MADGAN可以在非常早期的T1扫描中检测出AD，轻度认知障碍（MCI），曲线下面积（AUC）为0.727，晚期AD为AUC 0.894，同时在T1 c扫描中检测出脑转移，AUC为0.921。
2020-10-12 cs.CV cs.LG eess.IV
Transformer-based unsupervised patient representation learning based on medical claims for risk stratification and analysis
Ohio University（俄亥俄大学）；Nationwide Children's Hospital（全国儿童医院）
索赔数据包含医疗代码、服务信息和已发生的支出，可以是评估个人健康状况和医疗风险水平的良好资源。在这项研究中，我们开发了基于转换器的多模态自动编码器（TMAE），这是一个无监督学习框架，可以通过对索赔数据中有意义的信息进行编码来学习有效的患者表示。TMAE是出于医疗保健的实际需要，将患者分为不同的风险级别，以改善护理和管理。与以前的方法相比，TMAE能够1）对住院病人、门诊病人和药物索赔进行集体建模，2）处理医疗事件之间的不规则时间间隔，3）缓解罕见医疗代码的稀疏问题，以及4）合并医疗支出信息。我们使用包含超过60万名患者的真实儿科索赔数据集训练TMAE，并在两个聚类任务中将其性能与各种方法进行比较。实验结果表明，TMAE具有优越的性能相比，所有的基线。多个下游应用程序也进行了说明我们的框架的有效性。令人鼓舞的结果证实，TMAE框架可扩展到大型索赔数据，并能够生成有效的患者嵌入风险分层和分析。
2021-06-23 cs.AI cs.LG
Improving Clinical Predictions through Unsupervised Time Series Representation Learning
ETH Zürich（苏黎世联邦理工学院）；Brown University（布朗大学）
在这项工作中，我们研究了医学时间序列的无监督表示学习，它有望利用大量现有的未标记数据，以最终帮助临床决策。通过对临床相关结果的预测进行评估，我们表明，在实际环境中，无监督表示学习可以提供比端到端监督架构更明显的性能优势。我们的实验使用序列到序列（Seq2Seq）模型在两种不同的方式，作为一个自动编码器和作为一个预测器，并表明，最好的性能是通过预测Seq2Seq模型与集成的注意力机制，在这里首次提出的医疗时间序列的无监督学习的设置。
2018-12-02 cs.LG stat.ML
Unsupervised Anomaly Localization using Variational Auto-Encoders
German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ））
对医学图像进行无干扰的自动检查，以发现潜在的监督异常，对于放射科医生来说是一个有价值的帮助。深度学习，特别是变分自动编码器（VAE）在数据分布的无监督学习中显示出巨大的潜力。原则上，这允许这样的检查，甚至定位图像中最可疑的部分。然而，目前，基于重建的设计定位需要调整模型架构，以适应评估过程中的特定问题。这与建立无约束模型的原则相矛盾。我们建议补充本地化的一部分，来自Kullback-Leibler（KL）发散项。为了验证，我们对FashionMNIST以及包括>1000名健康和>250名脑肿瘤患者的医疗任务进行了一系列实验。结果表明，所提出的形式主义优于最先进的基于VAE的异常定位在许多超参数设置，也显示出竞争力的最大性能。
2019-07-11 cs.LG eess.IV stat.ML
Unsupervised learning for cross-domain medical image synthesis using deformation invariant cycle consistency networks
University of Edinburgh（爱丁堡大学）
近年来，循环一致性生成对抗网络（CycleGAN）被广泛应用于多领域医学图像的合成。CycleGAN捕获的特定于域的非线性变形使得合成图像难以用于某些应用，例如，生成用于PET-MR衰减校正的伪CT。本文提出了一种使用可变形卷积层和新的循环一致性损失的变形不变CycleGAN（DicycleGAN）方法。它的鲁棒性处理遭受特定领域的非线性变形的数据进行了评估，通过比较实验进行多序列的大脑MR数据集和多模态腹部数据集。我们的方法已经显示出它能够生成与源对齐的合成数据，同时与CycleGAN生成的数据相比保持适当的信号质量。当来自源域和目标域的数据通过简单的仿射变换是可重构的时，所提出的模型也获得了与CycleGAN相当的性能。
2018-08-12 cs.AI cs.CV cs.LG
Unsupervised Online Feature Selection for Cost-Sensitive Medical Diagnosis
Indian Institute of Technology Bombay（印度理工学院孟买分校）
在医学诊断中，医生通过检查从一系列测试获得的测量结果（特征）来预测患者的状态，例如，验血验尿然后是侵入性检查由于检验往往费用高昂，人们希望只获得那些能够最终确定国家存在或不存在的特征（检验）。医学诊断的另一个方面是，我们经常面临无监督的预测任务，因为患者的真实状态可能不知道。受这些医疗诊断问题的启发，我们考虑了{ \it成本敏感医疗诊断}（CSMD）问题，其中患者的真实状态是未知的。我们制定的CSMD问题作为一个特征选择的问题，每个测试给出了一个功能，可用于预测模型。我们的目标是学习策略，选择的功能，使准确性和成本之间的最佳权衡。我们利用问题的“弱主导”属性来开发在线算法，这些算法可以识别一组特征，从而在预测成本和准确性之间提供“最佳”权衡，而无需知道医疗状况的真实状态。我们的实证结果验证了我们的算法对现实世界的数据集生成的问题实例的性能。
2019-12-25 cs.AI cs.LG stat.AP
An unsupervised deep learning framework for medical image denoising
Indian Institute of Information Technology Vadodara（瓦多达拉印度信息技术学院）
医学图像采集过程中经常会受到干扰，导致信息内容失真。本文介绍了一种无监督的医学图像去噪技术，该技术从可用图像中学习噪声特性并构造去噪图像。它包括两个数据处理模块，即，间接学习噪声的基于块的字典和直接学习噪声的残差学习（RL）。考虑到不同的医学成像仪器，该模型被推广到2D和3D图像。从MRI/CT图像堆栈中逐个考虑图像，并考虑整个堆栈，并将其分解为重叠的图像/体积块。这些补丁被给予基于补丁的字典学习，以通过稀疏表示学习噪声特性，而给予RL部分，以直接学习噪声特性。采用稀疏表示的K-奇异值分解（K-SVD）算法训练基于块的字典。另一方面，使用所提出的深度残差网络来训练补丁中的残差。在这两个部分上迭代，捕获每个图像/体积块的最佳噪声表征，并且进而从可用的相应图像/体积块中减去该最佳噪声表征。所获得的去噪图像/体积块最终被组装成去噪图像或3D堆栈。我们提供了一个分析所提出的方法与其他方法。在基于GPU的超级计算机上对MRI/CT数据集进行了实验，结果表明，该算法在保留图像关键信息的同时，提高了图像的视觉质量。
2021-03-11 cs.CV cs.LG eess.IV
Unsupervised Deformable Image Registration Using Cycle-Consistent CNN
Korea Advanced Institute of Science and Technology（韩国科学技术院）；University of Ulsan College of Medicine（蔚山大学医学院）；Asan Medical Center（峨山医学中心）
医学图像配准是癌症诊断等生物医学图像分析的关键处理步骤之一。最近，基于深度学习的有监督和无监督图像配准方法由于其优异的性能而得到了广泛的研究，尽管与经典方法相比计算时间超快。在本文中，我们提出了一种新的无监督医学图像配准方法，训练深度神经网络的3D体积的变形配准使用的周期一致性。由于循环一致性，所提出的深度神经网络可以采用具有严重变形的不同图像数据对进行精确配准。使用多相肝脏CT图像的实验结果表明，我们的方法在几秒钟内提供了非常精确的三维图像配准，从而更准确的癌症大小估计。
2019-07-02 cs.CV cs.LG eess.IV
Unsupervised Approaches for Out-Of-Distribution Dermoscopic Lesion Detection
Northeastern University（东北大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）
有有限的作品显示无监督的分布外（OOD）方法对复杂的医疗数据的有效性。在这里，我们提出了我们的无监督OOD检测算法，SimCLR-LOF，以及最近的最先进的方法（SSD），应用于医学图像的初步研究结果。SimCLR-LOF使用Simcloud学习语义上有意义的特征，如果测试样本是OOD，则使用LOF进行评分。我们对多源国际皮肤成像合作组织（ISIC）2019数据集进行了评估，并显示了与SSD以及最近应用于相同数据的监督方法相竞争的结果。
2021-11-08 cs.CV cs.LG eess.IV
Building RadiologyNET: Unsupervised annotation of a large-scale multimodal medical database
University of Rijeka – Faculty of Engineering（里耶卡大学工程学院）；Center for Artificial Intelligence and Cybersecurity（人工智能与网络安全中心）；Medical University of Graz（格拉茨医科大学）
本文提出融合图像、DICOM 元数据和叙述性诊断嵌入的无监督多模态聚类流程，将130余万张放射影像自动标注为50个簇，为构建RadiologyNET奠定基础。
2023-07-27 cs.CV cs.LG
Unsupervised Anomaly Detection for X-Ray Images
Ludwig-Maximilians-Universität München（慕尼黑大学）；Lehrstuhl für Datenbanksysteme und Data Mining（数据库系统与数据挖掘研究所）
获取医学（图像）数据的标签需要稀缺且昂贵的专家。此外，由于模糊的症状，单个图像很少足以正确诊断医疗状况。相反，它通常需要考虑额外的背景信息，如患者的病史或测试结果。因此，我们不是专注于无法解释的黑箱系统，而是以端到端的方式提供不确定的最终诊断，而是研究如何使用无异常图像训练的无监督方法来帮助医生评估手部X射线图像。我们的方法提高了诊断效率，降低了遗漏重要区域的风险。因此，我们采用最先进的无监督学习方法来检测异常，并展示如何解释这些方法的输出。为了减少噪声的影响，这通常会被误认为是异常，我们引入了一个强大的预处理管道。我们提供了一个广泛的评估不同的方法和经验表明，即使没有标签，它是可能的，以实现令人满意的结果在现实世界的数据集的X射线图像的手。我们还评估了预处理的重要性，我们的主要发现之一是，如果没有它，我们的大多数方法的性能并不比随机好。为了促进可重复性和加速研究，我们在https://github.com/Valentyn1997/xray上公开了我们的代码
2020-11-04 cs.CV cs.LG eess.IV
TricycleGAN: Unsupervised Image Synthesis and Segmentation Based on Shape Priors
McMaster University（麦克马斯特大学）；McMaster Children’s Hospital（麦克马斯特儿童医院）
常规地执行医学图像分割以隔离感兴趣区域，诸如器官和病变。目前，深度学习是自动分割的最新技术，但通常受到对大型数据集进行监督训练的需求的限制，这些数据集已由训练有素的临床医生手动分割。半监督和无监督图像分割的目标是大大减少甚至消除对训练数据的需求，从而最大限度地减少临床医生在训练分割模型时的负担。为此，我们引入了一种新的网络架构，能够进行无监督和半监督图像分割，称为TricycleGAN。这种方法使用三个生成模型来学习医学图像和分割图之间的翻译，使用边缘图作为中间步骤。与其他基于生成网络的方法不同，TricycleGAN依赖于形状先验，而不是颜色和纹理先验。因此，它特别适合于医学成像的几个领域，例如超声成像，其中通常使用的视觉提示可能不存在。我们在肾脏超声图像的临床数据集和基准ISIC 2018皮肤病变数据集上进行了TricycleGAN实验。
2021-02-04 cs.CV cs.LG eess.IV
Unsupervised Model Adaptation for Source-free Segmentation of Medical Images
University of Southern California（南加州大学）
提出一种无需源数据的医学图像分割无监督域自适应算法，通过近似源特征和最优传输构建联合嵌入空间，在保护隐私的同时保持竞争力。
2023-07-30 cs.CV cs.LG
CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration
Korea Advanced Institute of Science and Technology（韩国科学技术院）；The Catholic University of Korea（韩国加图立大学）；University of Ulsan College of Medicine（蔚山大学医学院）；Asan Medical Center（峨山医疗中心）；Korea Automotive Technology Institute（韩国汽车技术研究院）
图像配准是医学图像分析中的一项基本任务。最近，基于深度学习的图像配准方法由于其优异的性能而得到了广泛的研究，尽管计算时间超快。然而，现有的深度学习方法在使用配准向量场进行变形期间在保持原始拓扑方面仍然存在局限性。为了解决这个问题，在这里，我们提出了一个周期一致的可变形图像配准。循环一致性通过提供隐式正则化以在变形期间保持拓扑来增强图像配准性能。所提出的方法是如此的灵活，可以适用于2D和3D的配准问题的各种应用，并可以很容易地扩展到多尺度实现，以处理内存问题，在大体积配准。在医学和非医学应用的各种数据集上的实验结果表明，该方法在几秒钟内对不同的图像对提供了有效和准确的配准。变形场的定性和定量评价也验证了该方法的有效性。
2020-08-13 cs.CV cs.LG eess.IV
Deep Variational Clustering Framework for Self-labeling of Large-scale Medical Images
Technical University of Munich（慕尼黑工业大学）；Massachusetts Eye and Ear Hospital（马萨诸塞眼耳医院）；Harvard Medical School（哈佛医学院）；LMU Munich（慕尼黑大学）
我们提出了一个深度变分聚类（DVC）框架，用于无监督的表示学习和大规模医学图像的聚类。DVC通过概率卷积编码器同时学习多变量高斯后验，通过概率卷积解码器同时学习似然分布，并优化聚类标签分配。在这里，学习的多元高斯后验捕获了大量未标记图像的潜在分布。然后，我们使用聚类损失在变分潜在空间上进行无监督聚类。在这种方法中，概率解码器有助于防止潜在空间中的数据点的失真，并保持数据生成分布的局部结构。训练过程可以被认为是一个自我训练过程，以改进潜在空间，同时迭代地优化聚类分配。我们在三个代表不同医学成像模式的公共数据集上评估了我们提出的框架。我们的实验结果表明，我们提出的框架在不同的数据集上具有更好的泛化能力。它在几个医学成像基准上取得了令人信服的结果。因此，我们的方法在现实世界的应用中比传统的深度无监督学习具有潜在的优势。该方法和所有实验的源代码可在以下网址公开获得：https://github.com/csfarzin/DVC
2021-09-22 cs.CV cs.LG eess.IV
Unsupervised Learning to Subphenotype Delirium Patients from Electronic Health Records
Northwestern University（西北大学）
谵妄是一种常见的急性发作性脑功能障碍，在紧急情况下，并与较高的死亡率。它很难检测和监测，因为它的表现和风险因素可能会因患者的潜在医疗状况而有所不同。在我们的研究中，我们的目的是确定谵妄人群中的亚型，并建立亚组特异性预测模型，以检测谵妄使用重症监护医学信息市场IV（MIMIC-IV）的数据。我们发现，集群存在于谵妄人口。亚组特异性预测模型也观察到特征重要性的差异。我们的工作可以重新校准每个谵妄亚组的现有谵妄预测模型，并提高病情高度异质性的ICU或急诊科患者的谵妄检测和监测的精确度。
2021-10-31 cs.AI cs.LG
Towards frugal unsupervised detection of subtle abnormalities in medical imaging
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；Inserm（法国国家健康与医学研究院）；CHU Grenoble Alpes（格勒诺布尔阿尔卑斯大学附属医院）；Grenoble Institut des Neurosciences（格勒诺布尔神经科学研究所）；Univ. Lyon（里昂大学）；INSA Lyon（里昂国立应用科学学院）；UCBL（里昂第一大学）
针对医学影像中无标注的细微异常检测，提出基于混合概率分布的节俭无监督方法，通过增量计算推断量实现高效学习，并在帕金森病脑扫描中验证了与疾病进展一致的异常检测。
2023-09-04 cs.AI cs.LG eess.IV
Less is More: Unsupervised Mask-guided Annotated CT Image Synthesis with Minimum Manual Segmentations
National Heart and Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）；Royal Brompton Hospital（皇家布朗普顿医院）；Centre for Cardiovascular Science, University of Edinburgh（爱丁堡大学心血管科学中心）；School of Computer Science and Electronic Engineering, University of Essex（埃塞克斯大学计算机科学与电子工程学院）
作为一种实用的数据增强工具，数据合成通常会为基于深度学习的医学图像分析带来性能回报。然而，为合成医学图像生成相应的分割掩模是费力且主观的。为了获得成对的合成医学图像和分割，提出了使用分割掩模作为合成条件的条件生成模型。然而，这些分割掩码条件生成模型仍然依赖于大型，多样和标记的训练数据集，并且它们只能对人体解剖结构提供有限的约束，导致不切实际的图像特征。此外，不变的像素级条件可能会减少合成病变的多样性，从而降低数据增强的有效性。为了解决这些问题，在这项工作中，我们提出了一种新的策略，医学图像合成，即无监督掩模（UM）引导的合成，以获得合成图像和分割使用有限的手动分割标签。我们首先开发了一个基于超像素的算法来生成无监督的结构指导，然后设计了一个条件生成模型，在半监督的多任务设置中同时从这些无监督的掩模合成图像和注释。此外，我们设计了多尺度多任务Fréchet起始距离（MM-FID）和多尺度多任务标准差（MM-STD）来利用合成CT图像的保真度和多样性评估。通过在不同尺度上进行多重分析，我们可以产生具有高重现性的稳定图像质量测量结果。与分割掩模引导合成相比，我们的UM引导合成提供了高质量的合成图像，具有显著更高的保真度、多样性和实用性（$p<0.05$通过Wilcoxon符号秩检验）。
2023-03-19 cs.CV cs.LG eess.IV
That's the Wrong Lung! Evaluating and Improving the Interpretability of Unsupervised Multimodal Encoders for Medical Data
Northeastern University（东北大学）；Brigham and Women’s Hospital（布莱根妇女医院）；University of Amsterdam（阿姆斯特丹大学）
电子健康记录（EHR）上的预训练多模态模型提供了一种学习表示的方法，可以在最少的监督下转移到下游任务。最近的多模态模型诱导图像区域和句子之间的软局部对齐。这在医学领域中特别令人感兴趣，其中对齐可能会突出显示图像中与自由文本中描述的特定现象相关的区域。虽然过去的工作表明，注意力“热图”可以用这种方式来解释，但很少有人对这种对齐进行评估。我们比较了来自最先进的多模态（图像和文本）EHR模型的对齐与将图像区域链接到句子的人类注释。我们的主要发现是，文本对注意力的影响往往很弱或不直观;对齐并不能始终如一地反映基本的解剖信息。此外，合成修改-例如用“左”替换“右”-不会实质上影响高光。简单的技术，如允许模型选择不关注图像和Few-Shot微调，显示出在很少或没有监督的情况下改善对齐的能力。我们将代码和检查点开源。
2022-10-22 cs.AI cs.CV cs.LG
Medical Image Generation using Generative Adversarial Networks
Jamia Millia Islamia（贾米亚·米利亚·伊斯兰亚大学）
生成对抗网络（GANs）是计算机视觉领域的无监督深度学习方法，在过去几年中，它在识别多模态医学成像数据的内部结构方面获得了极大的关注。对抗网络同时生成逼真的医学图像和相应的注释，这在许多情况下被证明是有用的，例如图像增强，图像配准，医学图像生成，图像重建和图像到图像的翻译。这些特性引起了医学图像分析领域研究人员的注意，我们见证了许多新颖和传统应用的快速适应。本章提供了基于GANs的临床应用在医学图像生成和跨模态合成方面的最新进展。已经讨论了在医学图像解释中获得普及的各种GANs框架，例如深度卷积GAN（DCGAN）、拉普拉斯GAN（LAPGAN）、pix2pix、CycleGAN和无监督图像到图像转换模型（UNIT），这些框架通过结合额外的混合架构来继续提高其性能。此外，这些框架的图像重建和合成，以及在该领域的未来研究方向的一些最新的应用已经涵盖。
2020-05-19 cs.CV cs.LG eess.IV
DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization
Imperial College London（帝国理工学院）；Technical University of Munich（慕尼黑工业大学）
近年来，医学成像中机器学习的研究领域发生了巨大变化，从监督到半监督，弱监督或无监督方法。这主要是由于地面实况标签手动获取耗时且昂贵。从患者元数据生成标签可能是可行的，但它会受到用户引起的错误的影响，这些错误会引入偏见。在这项工作中，我们提出了一种无监督的方法来自动聚类和分类大规模的医学图像数据集，重点是心脏MR图像，而不使用任何标签。我们研究了使用类平衡和不平衡大规模数据集的端到端训练。我们的方法能够创建具有高纯度的聚类，并在这些数据集上实现了超过0.99的聚类纯度。结果表明，所提出的方法分类非结构化的大型医疗数据库，如组织临床PACS系统在医院的潜力。
2021-09-30 cs.CV cs.LG eess.IV
Unsupervised Segmentation of Colonoscopy Images
Genentech（基因泰克）；Roche（罗氏）
本文探索利用视觉变换器的自监督特征，在无标注条件下实现结肠镜图像的分类、目标检测及无监督分割，并发现多种临床相关结构，展示了在医学图像分析中的巨大潜力。
2023-12-19 cs.AI cs.CV cs.LG
Leveraging Deep Stein's Unbiased Risk Estimator for Unsupervised X-ray Denoising
Information Technology University（信息技术大学）；University of Toronto（多伦多大学）
在众多旨在抑制医学图像中噪声流行的技术中，基于深度学习的方法表现出最大的希望。然而，这些基于深度学习的去噪器的一个关键限制是需要高质量的无噪声地面实况图像，这在许多医学成像应用（例如X射线）中难以获得。为了规避这个问题，我们利用最近提出的方法[7]，该方法结合了Stein的无偏风险估计（SURE）来训练深度卷积神经网络，而不需要去噪的地面真实X射线数据。我们的实验结果表明，基于SURE的方法去噪X射线图像的有效性。
2018-11-29 cs.CV cs.LG stat.ML
An unsupervised clustering analysis of breast cancer data derived from electronic health records enhanced through UMAP dimensionality reduction
Dipartimento di Informatica Sistemistica e Comunicazione, Università di Milano-Bicocca（信息系统与通信系，米兰比可卡大学）；Institute of Health Policy Management and Evaluation, University of Toronto（卫生政策管理与评估研究所，多伦多大学）
研究利用电子健康记录中的乳腺癌数据，先采用DBSCAN密度聚类法，又通过UMAP降维增强效果，用三个统计指标评估聚类结果，证实了UMAP与DBSCAN结合用于该数据聚类的有效性，为医学解读患者组提供了支持。
2026-07-22 cs.LG q-bio.QM
Shape-Aware Masking for Inpainting in Medical Imaging
Technical University of Munich（慕尼黑工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
修复最近被提出作为一种成功的深度学习技术，用于无监督医学图像模型发现。用于图像修复的掩模通常独立于数据集，并且不针对不同给定类别的解剖结构进行定制。在这项工作中，我们介绍了一种方法，用于生成形状感知掩模修复，其目的是学习统计形状先验。我们假设，虽然掩模的变化提高了修复模型的通用性，但掩模的形状应该遵循感兴趣器官的拓扑结构。因此，我们提出了一种无监督的指导掩蔽方法的基础上现成的修补模型和超像素过分割算法，以产生广泛的形状相关的面具。腹部MR图像重建的实验结果表明，我们提出的掩模方法优于标准的方法，使用方形或不规则形状的掩模数据集。
2022-07-12 cs.CV cs.LG eess.IV
MedCAT -- Medical Concept Annotation Tool
King’s College London（伦敦国王学院）；University College London（伦敦大学学院）；NIHR Biomedical Research Centre at South London and Maudsley NHS Foundation Trust and King’s College London（英国国立卫生研究院生物医学研究中心（位于南伦敦和莫兹利 NHS 基金会信托与伦敦国王学院））
电子健康记录（EHR）等生物医学文档包含大量非结构化格式的信息。EHR中的数据是记录临床叙述和决策的非常有价值的资源，但是虽然文本可以很容易地被人类医生理解，但在研究和临床应用中使用却具有挑战性。为了揭示生物医学文档的潜力，我们需要提取和结构化它们所包含的信息。当前的任务是命名实体识别和链接（NER+L）。实体的数量，词语的模糊性，重叠和嵌套使得生物医学领域比许多其他领域更加困难。为了克服这些困难，我们开发了医学概念注释工具（MedCAT），这是NER+L的开源无监督方法。MedCAT使用无监督机器学习来消除实体的歧义。它在MIMIC-III（一个免费访问的重症监护数据库）和MedMentions（由统一医学语言系统注释的生物医学论文）上得到了验证。在NER+L的情况下，与现有工具的比较表明，MedCAT仅通过无监督学习改善了之前的最佳效果（疾病检测的F1=0.848 vs 0.691;一般概念检测的F1=0.710 vs 0.222）。MedCAT学习的向量嵌入的定性分析表明，它捕获了EHR（MIMIC-III）中的潜在医学知识。无监督学习可以提高大规模实体抽取的性能，但在处理少量实体和小数据集时存在一定的局限性。在这种情况下，选项是监督学习或主动学习，两者都通过MedCATtrainer扩展在MedCAT中得到支持。我们的方法可以检测和链接数百万种不同的生物医学概念，具有最先进…
2019-12-18 cs.CL cs.LG stat.ML
MED-SE: Medical Entity Definition-based Sentence Embedding
Korea Advanced Institute of Science & Technology (KAIST)（韩国科学技术院）；NAVER CLOVA AI Lab（NAVER CLOVA AI实验室）
我们提出了基于医学实体解释的句子嵌入（MED-SE），一种新的无监督对比学习框架，设计用于临床文本，它利用了医学实体的定义。为此，我们进行了广泛的分析，多个句子嵌入技术在临床语义文本相似性（STS）设置。在我们设计的以实体为中心的设置中，MED-SE实现了显着更好的性能，而现有的无监督方法，包括SimCSE显示性能下降。我们的实验阐明了一般和临床领域的文本之间的固有差异，并建议，以实体为中心的对比方法可能有助于弥合这一差距，并导致更好地表示临床句子。
2022-12-09 cs.AI cs.CL cs.LG
Unified Focal loss: Generalising Dice and cross entropy-based losses to handle class imbalanced medical image segmentation
University of Cambridge（剑桥大学）；University of Salerno（萨莱诺大学）
自动分割方法是医学图像分析的一个重要进展。机器学习技术，特别是深度神经网络，是大多数医学图像分割任务的最新技术。类不平衡的问题对医学数据集构成了重大挑战，病变通常相对于背景占据相当小的体积。用于深度学习算法训练的损失函数在对类别不平衡的鲁棒性方面有所不同，这对模型收敛有直接影响。最常用的分割损失函数是基于交叉熵损失、骰子损失或两者的组合。我们提出了统一的焦点损失，一个新的层次框架，概括骰子和交叉熵为基础的损失处理类的不平衡。我们在五个公开的、类别不平衡的医学成像数据集上评估了我们提出的损失函数：CVC-ClinicDB、用于血管提取的数字视网膜图像（DRIVE）、乳腺超声2017（BUS 2017）、脑肿瘤分割2020（BraTS 20）和肾肿瘤分割2019（KiTS 19）。我们比较了我们的损失函数的性能与六个骰子或交叉熵为基础的损失函数，在2D二进制，3D二进制和3D多类分割任务，表明我们提出的损失函数是强大的类不平衡，并始终优于其他损失函数。源代码可从以下网址获得：https://github.com/mlyg/unified-focal-loss
2021-11-24 cs.CV cs.LG eess.IV
Deep Coherence Learning: An Unsupervised Deep Beamformer for High Quality Single Plane Wave Imaging in Medical Ultrasound
Sogang University（西江大学）；University of Washington（华盛顿大学）
本文提出一种基于深度相干性学习的无监督深度波束形成器（DL-DCL），通过独特损失函数和复基带信号框架，有效克服了医学超声单平面波成像缺乏真实参考图像的难题，在空间和对比度分辨率上均表现优异。
2023-11-18 cs.AI cs.LG eess.IV
Beyond Random Partitioning: Unsupervised Spatio-Temporal Stratification for Cohort Balancing in Longitudinal Medical Imaging
Oslo University Hospital（奥斯陆大学医院）
针对纵向医学影像随机划分导致的协变量偏移和采样失衡问题，提出三方数据集分析框架，结合肘部优化K-means与分层抽样，实现队列平衡，大幅降低强度偏差，提升划分稳定性。
2026-08-04 cs.CV cs.LG
Preserving Tumor Volumes for Unsupervised Medical Image Registration
City University of Hong Kong（香港城市大学）；Beihang University（北京航空航天大学）
针对无监督医学图像配准中肿瘤区域发生异常体积变化的问题，提出两阶段软掩码与自适应体积保持损失方法，在保持肿瘤体积的同时达到与最先进方法相当的配准性能。
2024-05-09 cs.CV cs.LG eess.IV
UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks
Shiv Nadar Intitute of Eminence Delhi-NCR（希夫·纳达尔卓越学院（德里国家首都辖区））
本文提出 UnSegGNet，结合预训练 ViT 特征、图神经网络与模块度优化，在无标注条件下实现图像分割，并在基准上取得具竞争力的结果。
2024-05-09 cs.CV cs.LG
DiffuseMorph: Unsupervised Deformable Image Registration Using Diffusion Model
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
形变图像配准是医学成像的基本任务之一。经典的配准算法通常需要很高的计算成本进行迭代优化。尽管已经开发了基于深度学习的方法用于快速图像配准，但是获得从运动图像到固定图像的逼真连续变形并且具有较少的拓扑折叠问题仍然具有挑战性。为了解决这个问题，在这里，我们提出了一种新的基于扩散模型的图像配准方法，称为DiffuseMorph。DiffuseMorph不仅通过反向扩散生成合成变形图像，而且还允许通过变形场进行图像配准。具体地，通过运动图像和固定图像之间的变形的条件分数函数来生成变形场，使得可以通过简单地缩放分数的潜在特征来从连续变形执行配准。二维人脸和三维医学图像配准任务的实验结果表明，我们的方法提供了灵活的变形与拓扑保持能力。
2022-09-29 cs.CV cs.LG eess.IV
Unsupervised Training of Neural Cellular Automata on Edge Devices
Darmstadt University of Technology（达姆施塔特工业大学）
本研究在智能手机上直接训练神经细胞自动机（NCA）用于X光肺部分割，并提出无监督适应方法VWSL，通过最小化多预测方差提升模型性能，在多数据集上Dice准确率提升0.7-2.8%，极端拍摄场景下提升5-20%。
2024-07-25 cs.LG
