POPAR:补丁顺序预测和外观恢复,用于胸部X光学中的自我监督学习
Jiaxuan Pang1, Dongao Ma1, Ziyu Zhou2
1School of Computing and Augmented Intelligence, Arizona State University, Tempe, AZ 85281, USA.
Medical image analysis
|July 24, 2025
概括
自主监督学习 (SSL) 在POPAR (补丁顺序预测和外观恢复) 的医疗图像方面是先进的. 这种方法改善了胸部X射线的解释,并通过更少的标记数据实现了最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 医学成像分析 医学成像分析
- 机器学习 机器学习
背景情况:
- 自主监督学习 (SSL) 在计算机视觉方面表现出色,但由于数据差异,在医学成像方面面临挑战.
- 大量的注释数据集在医学领域往往很少,阻碍了传统的监督方法.
研究的目的:
- 推出POPAR (补丁顺序预测和外观恢复),这是一个用于医疗图像分析的新型SSL框架.
- 通过解决特定领域的挑战,通过使用SSL来增强胸部X射线解释.
主要方法:
- 波帕采用两种策略:用于空间/解剖学学习的补丁顺序预测和用于纹理细节的补丁外观恢复.
- 一个Swin变压器的骨干被用于大规模数据集的预训练.
主要成果:
- 在分类,细分和解剖理解方面,POPAR的表现优于现有的SSL和完全监督的模型.
- 该框架证明了医疗成像任务中的偏差稳定性和数据效率的提高.
结论:
- 波帕提供了一个可扩展和有效的SSL解决方案用于医学成像,特别是胸部X射线.
- 这种方法显示出强大的概括能力,并减少了对广泛注释的依赖.
更多相关视频
13:44Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
43.0K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
