Unsupervised Medical Image Translation Using Cycle-MedGAN
University of Stuttgart（斯图加特大学）；University of Tübingen（蒂宾根大学）；King’s College London（伦敦国王学院）
图像间平移是计算机视觉的一个新领域，在医学领域有着广泛的应用前景。然而，对于有监督的图像翻译框架，需要在像素意义上配对的共配准数据集。这在现实的医疗场景中通常很难实现。另一方面，无监督的翻译框架通常会导致翻译图像模糊，细节不真实。在这项工作中，我们提出了一个新的无监督翻译框架，名为Cycle-MedGAN。该框架利用新的非对抗性周期损失，指导框架最大限度地减少翻译图像中的纹理和感知差异。与其他无监督翻译方法的定性和定量比较证明了所提出的PET-CT翻译和MR运动校正框架的性能。
2019-03-08 cs.CV
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
Unsupervised Task Design to Meta-Train Medical Image Classifiers
Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Institute for Systems and Robotics, Instituto Superior Tecnico（高等技术学院系统与机器人研究所）
元训练已经被经验证明是用于医学图像分类器的少样本学习的最有效的预训练方法（即，用小训练集建模的分类器）。然而，元训练的有效性依赖于合理数量的手工设计的分类任务的可用性，这是昂贵的获得，因此很少可用。在本文中，我们提出了一种新的方法来无监督地设计大量的分类任务来元训练医学图像分类器。我们评估我们的方法上的乳房动态对比增强磁共振成像（DCE-MRI）的数据集，已被用于基准的医学图像分类器的Few-Shot训练方法。我们的研究结果表明，所提出的用于元训练医学图像分类器的无监督任务设计构建了一个预训练模型，经过微调，该模型比其他无监督和有监督的预训练方法产生更好的分类结果，并且与依赖于手工设计的分类任务的元训练相比具有竞争力。
2019-07-17 cs.CV
Unsupervised Feature Learning with K-means and An Ensemble of Deep Convolutional Neural Networks for Medical Image Classification
University of Sydney（悉尼大学）；Royal Prince Alfred Hospital（皇家阿尔弗雷德王子医院）；Shanghai Jiao Tong University（上海交通大学）
由于深度学习方法依赖于大量标记的训练数据，使用监督式深度学习方法的医学图像分析仍然存在问题。尽管医学成像数据存储库继续扩展，但注释数据的量并没有相应地增加。因此，我们提出了一种新的无监督特征学习方法，该方法学习特征表示，然后使用不同的卷积神经网络（CNN）和K均值聚类的集合来区分不同的医学图像。它以端到端的方式联合学习特征表示和聚类分配。我们在公共医疗数据集上测试了我们的方法，结果表明，它的准确性优于最先进的无监督特征学习方法，并且与最先进的监督CNN相当。我们的研究结果表明，我们的方法可用于解决医学成像存储库中大量未标记数据的问题。
2019-06-07 cs.CV
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 learning for concept detection in medical images: a comparative analysis
University of Aveiro（阿威罗大学）
随着数字医学成像变得越来越普遍，档案的大小增加，表示学习暴露了一个有趣的机会，增强医疗决策支持系统。另一方面，医学成像数据往往是稀缺的，缺乏注释。在本文中，我们提出了一个评估的无监督特征学习方法的图像在生物医学文献中，它可以应用于自动生物医学概念检测。构建了六种无监督表示学习方法，包括传统的视觉词袋，自动编码器和生成对抗网络。每个模型都经过训练，并使用ImageCLEF 2017概念检测任务中的图像评估其各自的特征空间。我们的结论是，与以前流行的计算机视觉方法相比，现代深度学习方法可以获得更强大的表示。虽然生成对抗网络可以提供良好的结果，但它们在高度变化的数据集上更难成功。半监督学习的可能性，以及它们在医学信息检索问题中的应用，是下一个需要重点考虑的步骤。
2018-05-04 cs.CV
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
ASC-Net: Unsupervised Medical Anomaly Segmentation Using an Adversarial-based Selective Cutting Network
University of Georgia（佐治亚大学）；Zhongnan Hospital of Wuhan University（武汉大学中南医院）；Shanghai Jiao Tong University（上海交通大学）
在本文中，我们考虑在医学图像中的无监督异常分割的问题，这引起了越来越多的关注，近年来由于昂贵的像素级的专家注释和存在大量的未注释的正常和异常的图像扫描。我们引入了一个分割网络，该网络利用对抗学习将图像划分为两个切割，其中一个切割落入用户提供的参考分布中。这种基于对抗性的选择性切割网络（ASC-Net）桥接了基于聚类的深度分割和基于对抗性的异常/新颖性检测算法这两个领域。我们的ASC-Net从正常和异常的医疗扫描中学习，以在没有任何监督掩码的情况下分割医疗扫描中的异常。我们在三个公共数据集上评估了这种无监督的异常分割模型，即，BraTS 2019用于脑肿瘤分割，LiTS用于肝脏病变分割，MS-SEG 2015用于脑病变分割，以及用于脑肿瘤分割的私人数据集。与现有方法相比，我们的模型在无监督异常分割任务中表现出巨大的性能提升。虽然与监督学习算法相比，仍有进一步提高性能的空间，但有希望的实验结果和有趣的观察结果揭示了使用用户定义的知识构建用于医疗异常识别的无监督学习算法。
2021-12-16 cs.AI cs.CV eess.IV
C-MADA: Unsupervised Cross-Modality Adversarial Domain Adaptation framework for medical Image Segmentation
Universidad San Francisco de Quito（旧金山基多大学）；University of South Florida（南佛罗里达大学）
深度学习模型已经获得了医学图像分析的最新成果。然而，当这些模型在一个看不见的域上进行测试时，会出现显著的性能下降。在这项工作中，我们提出了一个无监督的跨模态对抗域自适应（C-MADA）框架的医学图像分割。C-MADA以顺序方式实现图像和特征级自适应方法。首先，来自源域的图像通过具有周期一致性损失的非配对图像到图像对抗翻译被翻译到目标域。然后，用映射的源域图像和目标域图像以对抗的方式训练U-Net网络，以学习域不变特征表示。此外，为了提高网络分割性能，在对抗训练期间包括关于预测分割的形状，纹理和轮廓的信息。C-MADA在脑MRI分割任务上进行了测试，获得了有竞争力的结果。
2021-10-29 cs.CV eess.IV
Unsupervised 3D End-to-End Medical Image Registration with Volume Tweening Network
Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院）；Beihang University（北京航空航天大学）；Microsoft Research（微软研究院）
三维医学图像配准具有重要的临床意义。然而，监督学习方法需要大量精确注释的对应控制点（或变形），这是非常难以获得的。无监督学习方法通过在没有监督的情况下利用未标记的数据来减轻手动注释的负担。在本文中，我们提出了一种新的无监督学习方法，使用卷积神经网络下的一个端到端的框架，体积Tweening网络（VTN），三维医学图像配准。我们提出了三个创新的技术组件：（1）解决大位移的端到端级联方案;（2）仿射配准网络的有效集成;（3）鼓励向后一致性的额外可逆性损失。实验表明，我们的算法比传统的基于优化的方法快880倍（或在没有GPU加速的情况下快3.3倍），在医学图像配准中达到了最先进的性能。
2019-10-30 cs.CV
Unsupervised domain adaptation for medical imaging segmentation with self-ensembling
Polytechnique Montreal（蒙特利尔综合理工大学）；Pontifícia Universidade Católica do Rio Grande do Sul（南里奥格兰德天主教大学）；Universite de Montreal（蒙特利尔大学）
深度学习方法的最新进展已经定义了许多医学成像应用的最新技术水平，在一些任务中甚至超过了人类的判断。然而，当训练这些模型以降低单个域上的经验风险时，这些模型在应用于其他域时无法推广，这是由于图像和解剖结构的可变性而导致的医学成像中非常常见的场景，即使在相同的成像模态中也是如此。在这项工作中，我们扩展了无监督的领域自适应的方法，使用自集成的语义分割任务，并探讨了多个方面的方法上的一个小的和现实的公开可用的磁共振（MRI）数据集。通过广泛的评估，我们表明，自集成确实可以提高模型的泛化，即使使用少量的未标记的数据。
2019-01-10 cs.CV
Unsupervised Segmentation of 3D Medical Images Based on Clustering and Deep Representation Learning
Nagoya University（名古屋大学）
提出了一种新的三维医学图像无监督分割方法。卷积神经网络（CNN）在图像分割领域取得了重大进展。然而，大多数最近的方法依赖于监督学习，这需要大量的手动注释的数据。因此，这是具有挑战性的，这些方法，以应付不断增长的医学图像的数量。本文提出了一种统一的无监督深度表示学习和聚类分割方法。我们提出的方法包括两个阶段。在第一阶段，我们使用联合无监督学习（JULE）从目标图像中学习训练块的深度特征表示，该学习交替地对由CNN生成的表示进行聚类，并使用聚类标签作为监督信号更新CNN参数。我们通过在整个CNN架构中利用3D卷积将JULE扩展到3D医学图像。在第二阶段，我们将k-means应用于来自训练好的CNN的深度表示，然后将聚类标签投影到目标图像，以获得完全分割的图像。我们评估了我们的方法对三个图像的肺癌标本扫描与微型计算机断层扫描（micro-CT）。显微CT中病变区域的自动分割可以进一步促进病理检查过程。因此，我们的目标是自动划分每个图像的区域的浸润性癌，非浸润性癌，和正常组织。我们的实验显示了无监督深度表示学习在医学图像分割中的潜在能力。
2018-04-11 cs.CV
Unsupervised End-to-end Learning for Deformable Medical Image Registration
Beihang University（北京航空航天大学）；Microsoft Research（微软研究院）
提出了一种基于卷积神经网络的无监督端到端配准算法。该算法的贡献有三个方面：（1）将传统的图像配准算法移植到端到端的卷积神经网络框架中，同时保持了图像配准问题的无监督性质。图像到图像集成框架可以同时学习图像特征和变换矩阵以用于配准。(2)使用没有任何标签的额外数据进行训练可以进一步提高配准性能约10%。(3)注册速度比传统方法快100倍。所提出的网络易于实现，可以有效地训练。实验表明，我们的系统在2D大脑配准上取得了最先进的结果，在2D肝脏配准上取得了相当的结果。它可以扩展到配准肝脏和大脑以外的其他器官，如肾脏、肺和心脏。
2018-01-20 cs.CV
Back-in-Time Diffusion: Unsupervised Detection of Medical Deepfakes
Ben-Gurion University（本-古里安大学）
本文提出基于扩散模型逆转过程的医学图像异常检测方法，用于检测CT和MRI中伪造肿瘤的注入与移除，在无监督检测上显著超越现有方法，并公开代码与数据集。
2024-10-21 cs.CR cs.CV eess.IV
PC-SwinMorph: Patch Representation for Unsupervised Medical Image Registration and Segmentation
University of Cambridge（剑桥大学）
医学图像配准和分割是许多临床程序的关键任务。这些任务的手动实现是耗时的，并且质量高度依赖于医生的专业知识水平。为了减轻这项艰巨的任务，人们开发了自动工具，其中大多数解决方案都是监督技术。然而，在医学领域，具有良好代表性的基础事实的强烈假设是远远不现实的。为了克服这一挑战，研究了无监督技术。然而，它们的性能仍然有限，无法产生合理的结果。在这项工作中，我们提出了一个新的统一的无监督框架的图像配准和分割，我们称之为PC-SwinMorph。我们的框架的核心是两个补丁为基础的战略，我们证明补丁表示是性能增益的关键。我们首先介绍了一个补丁为基础的对比策略，强制执行本地条件和更丰富的功能表示。其次，我们利用3D窗口/移位窗口多头自注意模块作为补丁拼接策略，以消除从补丁分裂的文物。我们通过一组数值和视觉结果证明，我们的技术优于当前最先进的无监督技术。
2022-07-20 cs.CV
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
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
Convolutional Sparse Kernel Network for Unsupervised Medical Image Analysis
School of Computer Science, University of Sydney（悉尼大学计算机科学学院）；Royal Prince Alfred Hospital（皇家阿尔弗雷德王子医院）；Sydney Medical School, University of Sydney（悉尼大学悉尼医学院）；Med-X Research Institute, Shanghai Jiao Tong University（上海交通大学Med-X研究院）
大规模注释图像数据集的可用性和监督深度学习方法的最新进展使得能够端到端地导出代表性图像特征，这可能会影响各种图像分析问题。然而，这样的监督方法难以在医学领域中实现，在医学领域中，由于人工注释的复杂性以及标签分配中的观察者间和观察者内的可变性，难以获得大量的标记数据。我们提出了一个新的卷积稀疏核网络（CSKN），这是一个分层的无监督特征学习框架，解决了在缺乏注释训练数据的医学图像分析领域学习代表性视觉特征的挑战。我们的框架有三个贡献：（i）我们扩展了内核学习，以无监督的方式识别和表示图像子块中的不变特征。(ii)我们使用逐层预训练方案初始化我们的内核学习，该方案利用医学图像中固有的稀疏性来提取初始判别特征。(iii)我们采用多尺度空间金字塔池（SPP）框架来捕获学习到的视觉特征之间的细微几何差异。我们评估了我们的框架在医学图像检索和分类三个公共数据集。我们的研究结果表明，我们的CSKN具有更好的准确性相比，其他传统的无监督的方法和可比的准确性，使用最先进的监督卷积神经网络（CNN）的方法。我们的研究结果表明，我们的无监督CSKN提供了在医学成像存储库中利用未注释大数据的机会。
2020-06-20 cs.CV
Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation
The Chinese University of Hong Kong（香港中文大学）；Imsight Medical Technology Co. Ltd.（视见医疗科技有限公司）；The Hong Kong Polytechnic University（香港理工大学）
无监督域自适应在医学图像计算中越来越受到关注，旨在解决深度神经网络在部署到具有异构特征的不可见数据时的性能下降问题。在这项工作中，我们提出了一种新的无监督域自适应框架，命名为协同图像和特征对齐（SIFA），有效地适应分割网络到一个未标记的目标域。我们提出的SIFA进行协同对齐域从图像和功能的角度来看。特别是，我们同时转换跨域图像的外观，并通过在多个方面利用对抗学习和深度监督机制来增强提取特征的域不变性。特征编码器在两个自适应视角之间共享，以通过端到端学习来利用它们的共同利益。我们已经广泛评估了我们的方法与心脏子结构分割和腹部多器官分割的双向跨模态适应MRI和CT图像之间。两个不同的任务的实验结果表明，我们的SIFA方法是有效的，在提高未标记的目标图像的分割性能，并优于国家的最先进的域自适应方法的大幅度提高。
2020-02-06 cs.CV 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
Masked Autoencoders for Unsupervised Anomaly Detection in Medical Images
University of Bucharest（布加勒斯特大学）
提出一种仅用健康样本训练的医学图像异常检测框架，利用 Masked Autoencoder 重建正常结构，并基于伪异常模块生成正样本训练差异分类器，在 BRATS2020 和 LUNA16 上对比四种前沿方法。
2023-07-14 cs.CV 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
Unsupervised Learning of Local Discriminative Representation for Medical Images
Xi’an Jiaotong University（西安交通大学）；Shanghai Tenth People’s Hospital, Tongji University（同济大学附属第十人民医院）
在许多医学图像分析任务中，例如识别病变的子类型或分割解剖结构的详细成分，需要局部判别表示。然而，通常应用的有监督表示学习方法需要大量的注释数据，而无监督判别式表示学习通过学习全局特征来区分不同的图像，这两种方法都不适合局部医学图像分析任务。为了避免这两种方法的局限性，我们在这项工作中将局部判别引入无监督的表示学习。该模型包含两个分支：一个是嵌入分支，学习嵌入函数将不同的像素分散在低维超球面上;另一个是聚类分支，学习聚类函数将相似的像素分类到同一个聚类中。这两个分支同时训练在一个互利的模式，学习的局部判别表示能够很好地衡量局部图像区域的相似性。这些表示可以被转移以增强各种下游任务。同时，它们也可以应用于聚类的解剖结构从未标记的医学图像的拓扑先验的指导下，从模拟或具有相似的拓扑特征的其他结构。通过增强各种下游任务和聚类视网膜图像和胸部X射线图像中的解剖结构，证明了所提出的方法的有效性和实用性。
2021-03-24 cs.CV
COSMOS: Cross-Modality Unsupervised Domain Adaptation for 3D Medical Image Segmentation based on Target-aware Domain Translation and Iterative Self-Training
Yonsei University（延世大学）
针对医学图像标注成本高的问题，提出名为COSMOS的3D医学图像分割跨模态无监督域适应框架，结合目标感知域转换与迭代自训练，在MICCAI 2021的crossMoDA挑战赛中夺冠，实现了优异的听神经瘤与耳蜗分割性能。
2023-12-19 cs.CV eess.IV
Unsupervised Medical Image Alignment with Curriculum Learning
University of Bucharest（布加勒斯特大学）
我们探索不同的课程学习方法来训练卷积神经网络的任务，可变形的成对3D医学图像配准。据我们所知，我们是第一个尝试通过使用课程学习训练医学图像配准模型来提高性能的人，从第一个训练阶段的简单训练设置开始，并逐渐增加设置的复杂性。一方面，我们考虑两种现有的课程学习方法，即课程退出和课程平滑。另一方面，我们提出了一种新颖而简单的策略来实现课程，即在开始时使用故意模糊的图像，然后在后期训练阶段逐渐过渡到更清晰的图像。我们使用最先进的深度学习模型进行的实验表明，与传统训练相比，课程学习可以带来更好的结果。此外，我们表明，课程输入模糊有最好的准确性与速度的权衡比较课程学习的方法。
2021-06-08 cs.CV
Unsupervised Anomaly Detection in Medical Images Using Masked Diffusion Model
University of Central Florida（中佛罗里达大学）；Wayne State University（韦恩州立大学）
针对医学图像异常检测中监督方法依赖像素级标注的难题，本文提出掩码扩散模型mDPPM，通过掩码图像与频率建模实现无监督学习，在肿瘤和MS病灶数据集上超越全/弱监督基线。
2023-08-28 cs.CV eess.IV
Can language-guided unsupervised adaptation improve medical image classification using unpaired images and texts?
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Inception（Inception（因赛普申公司））；Monash University（莫纳什大学）
本文提出MedUnA框架，利用VLMs的视觉-文本对齐，通过LLM生成描述、跨模态适配器和对比熵损失进行无监督学习，在未配对图像和文本上提升医学图像分类性能。
2025-03-29 cs.CV
Unsupervised Deep Transfer Feature Learning for Medical Image Classification
University of Sydney（悉尼大学）；Royal Prince Alfred Hospital（阿尔弗雷德王子医院）；Shanghai Jiao Tong University（上海交通大学）
使用监督式深度学习的图像分类的准确性和鲁棒性取决于大规模带注释的训练数据的可用性。然而，由于人工注释的复杂性，可获得的注释数据很少。为了克服这个问题，一种流行的方法是通过以下方式使用跨不同领域的可转移知识：1）使用已经在大规模通用图像上预训练的通用特征提取器（即，transfer-learned），但不适于从医学图像捕获特征;或者2）用相对较少数量的注释图像微调通用知识。我们的目标是通过使用一种新的分层无监督特征提取器来减少对注释训练数据的依赖，该特征提取器具有放置在预训练的卷积神经网络之上的卷积自动编码器。我们的方法将来自预训练域的丰富和通用的图像特征约束到来自未注释的医学图像域的局部图像特征的复杂表示。我们的方法比迁移学习方法具有更高的分类精度，并且与最先进的监督微调方法相比具有竞争力。
2019-03-26 cs.CV
FAIM -- A ConvNet Method for Unsupervised 3D Medical Image Registration
University of Ottawa（渥太华大学）
提出了一种新的无监督学习算法FAIM，用于三维医学图像配准。该网络采用与流行的“U网”不同的架构，采用一对完整的图像体积，并预测将源注册到目标所需的位移场。与基于“U-net”的配准网络（如VoxelMorph）相比，FAIM具有更少的可训练参数，但可以实现更高的配准精度，这是通过Mindboggle-101数据集中区域标签上的Dice得分来判断的。此外，在负雅可比行列式上提出的惩罚损失下，FAIM产生具有更少“折叠”的变形，即表面折叠在其自身上的不可逆区域。在我们的实验中，我们改变了这种惩罚的强度，并研究了在“折叠”位置的数量方面的配准精度和不可逆性的变化。我们发现，FAIM能够在一系列超参数（两个网络使用相同的值）上保持比VoxelMorph更高的准确性和更少的“折叠”位置的优势。此外，当为了更好的可逆性而牺牲配准精度时，FAIM需要较少的配准精度牺牲。本文的代码将在出版时发布。
2019-06-28 cs.CV
Cascaded Feature Warping Network for Unsupervised Medical Image Registration
Tsinghua University（清华大学）
形变图像配准在医学图像分析中有着广泛的应用，但大多数方法在复杂形变的情况下都无法实现。在本文中，我们提出了一个级联的特征扭曲网络来执行粗到精的配准。为了实现这一点，采用共享权重编码器网络来生成未对齐图像的特征金字塔。然后使用特征扭曲配准模块来估计每个级别的变形场。粗到细的方式是通过将模块从底层级联到顶层来实现的。此外，多尺度损失也被引入，以提高配准性能。我们采用两个公共基准数据集，并进行各种实验来评估我们的方法。实验结果表明，该方法的性能优于现有的方法，同时也证明了级联特征扭曲网络能够有效地进行粗到精的配准。
2021-03-15 cs.CV
Recursive Cascaded Networks for Unsupervised Medical Image Registration
IIIS, Tsinghua University（清华大学交叉信息研究院）；Microsoft Research（微软研究院）
我们提出了递归级联网络，一个通用的架构，使学习深度级联，可变形图像配准。所提出的架构设计简单，可以构建在任何基础网络上。运动图像被每个级联连续地扭曲，并最终与固定图像对齐;这个过程是递归的，每个级联都学习对当前扭曲的图像执行渐进变形。整个系统是端到端的，以无监督的方式联合训练。此外，通过递归架构，一个级联可以在测试期间迭代地应用多次，这接近每个图像对之间的更好拟合。我们评估我们的方法在3D医学图像，变形配准是最常用的。我们证明了递归级联网络实现了一致的，显著的增益，并优于最先进的方法。性能显示出增加的趋势，只要更多的级联被训练，而没有观察到的限制。代码可在https://github.com/microsoft/Recursive-Cascaded-Networks上获得。
2019-10-22 cs.CV
QWD-GAN: Quality-aware Wavelet-driven GAN for Unsupervised Medical Microscopy Images Denoising
Department of Electrical and Electronic Engineering（电气与电子工程系）
提出一种基于GAN的无监督去噪方法，通过小波变换的多尺度自适应生成器和双分支判别器，在保持高频信息的同时实现显微镜图像去噪。
2025-09-19 cs.CV eess.IV
TCSA-UDA: Text-Driven Cross-Semantic Alignment for Unsupervised Domain Adaptation in Medical Image Segmentation
School of Computing, University of Portsmouth（朴茨茅斯大学计算学院）；Department of Computer Science, Aberystwyth University（阿伯里斯特威斯大学计算机科学系）
本文提出TCSA-UDA框架，通过文本驱动的跨语义对齐方法，在医学图像分割中减少域偏移并提升跨模态一致性。
2026-08-25 cs.CV
CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation
University of California, San Francisco（加利福尼亚大学旧金山分校）；Yale University（耶鲁大学）；Northern California Retina Vitreous Associates（北加州视网膜玻璃体协会）
CUTS是一种无监督医学图像分割框架，利用对比学习和拓扑划分实现多粒度分割，在视网膜和脑MRI上较现有无监督方法提升至少10%，性能媲美SAM系列模型。
2024-06-25 cs.CV
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
TransMorph: Transformer for unsupervised medical image registration
Johns Hopkins Medical Institutes（约翰·霍普金斯医学院）；Johns Hopkins University（约翰·霍普金斯大学）；NVIDIA Corporation（英伟达公司）；Duke University Medical Center（杜克大学医学中心）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
在过去的十年中，卷积神经网络（ConvNets）一直是医学图像分析研究的主要焦点。然而，ConvNets的性能可能会受到缺乏对图像中的远程空间关系的明确考虑的限制。最近，Vision Transformer架构被提出来解决ConvNets的缺点，并在许多医学成像应用中产生了最先进的性能。Transformers可以是图像配准的强有力的候选者，因为它们显著更大的感受野使得能够更精确地理解移动图像和固定图像之间的空间对应。在这里，我们提出了transMorph，一个混合transformer-ConvNet模型的体积医学图像配准。本文还介绍了transMorph的非纯变体和贝叶斯变体：非纯变体确保拓扑保持变形，贝叶斯变体产生校准良好的配准不确定性估计。我们广泛验证了所提出的模型，使用三维医学图像从三个应用程序：患者间和图集到患者的大脑MRI配准和幻影到CT配准。所提出的模型进行评估，比较各种现有的注册方法和Transformer架构。定性和定量的结果表明，所提出的基于变压器的模型导致了一个实质性的性能改进的基线方法，确认的有效性Transformers的医学图像配准。
2022-10-15 cs.AI cs.CV eess.IV
Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Medical Images
Computer Aided Medical Procedures, Technical University of Munich, Munich, Germany（技术大学慕尼黑计算机辅助医疗程序）；Munich Center of Machine Learning, Munich, Germany（慕尼黑机器学习中心）；Department for Vascular and Endovascular Surgery, rechts der Isar University Hospital, Technical University of Munich, Munich, Germany（技术大学慕尼黑血管和内血管外科部门）
针对医学图像标注稀缺问题，提出融合Synomaly噪声与多阶段扩散的无监督检测框架，仅用健康图像训练并在多模态数据上达到优异性能。
2025-07-27 cs.CV eess.IV
An Unsupervised Learning Model for Deformable Medical Image Registration
MIT（麻省理工学院）；Cornell University（康奈尔大学）；MGH（麻省总医院）
我们提出了一种基于快速学习的可变形成对三维医学图像配准算法。当前的配准方法针对每对图像独立地优化目标函数，这对于大数据来说可能是耗时的。我们将配准定义为一个参数函数，并在给定一组感兴趣的图像的情况下优化其参数。给定一对新的扫描，我们可以通过使用学习的参数直接评估函数来快速计算配准场。我们使用卷积神经网络（CNN）对该函数进行建模，并使用空间变换层从另一个图像重建一个图像，同时对配准域施加平滑度约束。所提出的方法不需要监督信息，如地面实况配准字段或解剖标志。我们证明了配准精度与最先进的3D图像配准相当，同时在实践中操作速度更快。我们的方法有望显着加快医学图像分析和处理流程，同时促进基于学习的配准及其应用的新方向。我们的代码可在https://github.com/balakg/voxelmorph上获得。
2018-04-20 cs.CV
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 Search for Ethnic Minorities' Medical Segmentation Training Set
针对医学分割数据集中的种族代表性偏差，本文提出无监督贪心搜索策略，从现有数据中筛选匹配少数族裔目标域分布的训练图像，提升了对黑人群体的分割性能。
2025-01-05 cs.CV
Unsupervised Landmark Detection Based Spatiotemporal Motion Estimation for 4D Dynamic Medical Images
Shanghai Jiao Tong University（上海交通大学）；University of Sydney（悉尼大学）；Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院瑞金医院）
运动估计是动态医学图像处理中用于评估靶器官解剖结构和功能的基本步骤。然而，现有的基于图像的运动估计方法，通过评估局部图像相似性来优化运动场，容易产生令人难以置信的估计，特别是在存在大的运动。在这项研究中，我们提供了一个新的运动估计框架的密集-稀疏-密集（DSD），其中包括两个阶段。在第一阶段中，我们处理原始的密集图像，以提取稀疏的地标来表示目标器官的解剖拓扑结构，并丢弃冗余的信息，是不必要的运动估计。为此，我们引入了一个无监督的3D地标检测网络提取空间稀疏，但代表性的地标的目标器官运动估计。在第二阶段中，我们从不同时间点的两幅图像的提取的稀疏地标推导出稀疏运动位移。然后，我们提出了一个运动重建网络，通过将稀疏地标位移投影回稠密图像域来构建运动场。此外，我们采用从我们的两阶段DSD框架的估计的运动场作为初始化和提高运动估计质量在轻量级但有效的迭代优化。我们评估我们的方法对两个动态医学成像任务，分别模拟心脏运动和肺呼吸运动。与现有的比较方法相比，我们的方法产生了优越的运动估计精度。此外，大量的实验结果表明，我们的解决方案可以很好地提取代表性的解剖标志，而不需要任何手动注释。我们的代码在网上公开。
2021-11-08 cs.CV 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
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
Unsupervised Domain Adaptation for Medical Image Segmentation via Feature-space Density Matching
University Of Utah（犹他大学）；Scientific Computing and Imaging Institute（科学计算与成像研究所）
本文提出一种基于特征空间核密度估计的无监督域自适应医学图像分割方法，在目标样本仅占3%时仍能有效对齐源域与目标域分布，并在多站点前列腺MRI和组织病理学图像上验证了其有效性。
2023-07-06 cs.CV
A low-rank representation for unsupervised registration of medical images
Shanghai Jiao Tong University（上海交通大学）；Fudan University（复旦大学）
配准网络在医学图像分析中显示出巨大的应用潜力。然而，有监督的训练方法对大型和高质量的标记数据集有很大的需求，这是耗时的，有时由于数据共享问题而不切实际。无监督图像配准算法通常采用基于强度的相似性度量作为损失函数，而不需要任何手动注释。这些方法通过在训练期间优化网络参数来估计运动图像和固定图像对之间的参数化变换。然而，当图像质量变化时，例如，一些图像被大量噪声或伪像破坏。在这项工作中，我们提出了一种基于低秩表示的新方法，即，Regnet-LRR，解决这个问题。我们将带噪图像投影到一个无噪的低秩空间中，然后计算图像之间的相似度。基于低秩相似性测度，我们训练配准网络来预测噪声图像对的密集变形场。我们强调，低秩投影以配准网络可以成功更新梯度的方式重新制定。有两个任务，即，心脏和腹部模态内配准，我们证明了低秩表示可以提高模型的泛化能力和鲁棒性，并在噪声数据配准场景中带来显着改善。
2021-05-20 cs.CV
LE-UDA: Label-efficient unsupervised domain adaptation for medical image segmentation
Nanyang Technological University（南洋理工大学）；Agency for Science, Technology and Research（新加坡科技研究局）；National University of Singapore（新加坡国立大学）；Shanghai University（上海大学）；University of Science and Technology of China（中国科学技术大学）；Chinese Academy of Sciences（中国科学院）
虽然深度学习方法迄今为止在医学图像分割方面取得了相当大的成功，但它们仍然受到两个限制的阻碍：（i）依赖于大规模的标记良好的数据集，由于临床实践中像素级注释的专家驱动和耗时的性质，这些数据集难以管理，以及（ii）未能从一个领域推广到另一个领域，特别是当目标域是具有严重域偏移的不同模态时。最近的无监督域自适应（UDA）技术利用丰富的标记源数据和未标记目标数据来减少域间隙，但这些方法在有限的源注释下性能显着下降。在这项研究中，我们解决这个欠探索的UDA问题，调查一个具有挑战性的，但有价值的现实情况下，源域不仅表现出域转移~w.r.t.但也遭受标签稀缺。在这方面，我们提出了一个新的和通用的框架称为“标签有效的无监督域自适应”（LE-UDA）。在LE-UDA中，我们为两个领域之间的知识转移构建了自集成一致性，以及一个自集成对抗学习模块，以实现更好的UDA特征对齐。为了评估我们的方法的有效性，我们进行了广泛的实验，对两个不同的任务，MRI和CT图像之间的跨模态分割。实验结果表明，所提出的LE-UDA可以有效地利用有限的源标签，以提高跨域分割性能，优于国家的最先进的UDA方法在文献中。代码可在：https://github.com/jacobzhaoziyuan/LE-UDA.
2022-12-05 cs.AI cs.CV 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
LLaMA-Reg: Using LLaMA 2 for Unsupervised Medical Image Registration
Faculty of Information Science Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息科学工程与自动化学院）；Taizhou Hospital of Zhejiang Province Affiliated with Wenzhou Medical University（温州医科大学附属浙江省台州医院）；Enze Hospital, Taizhou Enze Medical Centre (Group)（台州恩泽医疗中心（集团）恩泽医院）；The Second Affiliated Hospital of Dalian Medical University（大连医科大学附属第二医院）
本文提出LLaMA-Reg方法，利用预训练大语言模型LLaMA 2结合双编码器与适配器进行无监督医学图像配准，在膝关节和脑部MRI上取得最先进结果。
2024-05-29 cs.CV
Unsupervised Patch-GAN with Targeted Patch Ranking for Fine-Grained Novelty Detection in Medical Imaging
the Southern University of Science and Technology（南方科技大学）；University of Oxford（牛津大学）；Tsinghua University（清华大学）；University of Warwick（华威大学）；Northwest University（西北大学）；Peng Cheng Lab（鹏城实验室）
本文提出无监督 Patch-GAN 框架，通过重建掩码图像学习细粒度正常特征，结合补丁真实性评估与排序机制，在 ISIC 2016 和 BraTS 2019 数据集上分别达到 95.79% 和 96.05% 的 AUC，有效检测并定位医学图像中的细微异常。
2025-01-29 cs.CV eess.IV
Unsupervised Local Discrimination for Medical Images
Shanghai Jiao Tong University（上海交通大学）；Xi’an Jiaotong University（西安交通大学）；The University of Sydney（悉尼大学）；Shanghai Tenth People’s Hospital, Tongji University（同济大学附属上海市第十人民医院）；Changchun GeneScience Pharmaceutical Co. LTD（长春金赛药业股份有限公司）
对比学习的目的是从未标记的图像中捕获一般表示以初始化医学分析模型，已被证明在缓解对昂贵注释的高需求方面是有效的。目前的方法主要集中在实例比较学习全局判别特征，然而，忽略了局部细节，以区分微小的解剖结构，病变，和组织。为了解决这一挑战，在本文中，我们提出了一个通用的无监督表示学习框架，命名为本地歧视（LD），学习本地的歧视性特征的医学图像紧密嵌入语义相似的像素和识别区域的相似结构在不同的图像。具体来说，该模型配备了用于逐像素嵌入的嵌入模块和用于生成分割的聚类模块。这两个模块是统一的，通过优化我们的新的区域歧视损失函数在一个互利的机制，这使得我们的模型，以反映结构信息，以及衡量像素和区域的相似性。此外，基于LD，我们提出了一个中心敏感的一次性地标定位算法和形状引导的跨模态分割模型，以促进我们的模型的泛化能力。当转移到下游任务时，通过我们的方法学习的表示显示出更好的泛化能力，优于18种最先进的（SOTA）方法的表示，并在所有12个下游任务中赢得9个。特别是对于具有挑战性的病变分割任务，所提出的方法取得了显着更好的性能。源代码可在https://github.com/HuaiChen-1994/LDLearning上公开获得。
2022-08-17 cs.CV
Low-Rank Velocity Fields as a Structural Prior for Unsupervised 4D Medical Image Interpolation
Southern University of Science and Technology（南方科技大学）；Shenzhen University of Advanced Technology（深圳先进技术研究院）；Shenzhen University Medical School（深圳大学医学院）；Shenzhen University（深圳大学）；Research Institute of Trustworthy Autonomous Systems（可信自主系统研究院）
提出低秩速度场作为结构先验，结合多尺度方案实现无监督4D医学图像插值，在ACDC和4D-Lung数据集上达到最优性能，生成的中间体积结构一致性与轮廓稳定性更优。
2026-08-26 cs.CV
I2I-Galip: Unsupervised Medical Image Translation Using Generative Adversarial CLIP
Johns Hopkins University（约翰斯·霍普金斯大学）
提出I2I-Galip框架，利用预训练CLIP模型和单个轻量级生成器实现多域无监督医学图像翻译，在MRI和CT数据集上优于现有方法。
2024-09-19 cs.CV eess.IV
