TMI 2024 | 成本敏感的加权对比学习基于图卷积网络用于不平衡的阿尔茨海默病分期

最新推荐文章于 2025-09-04 18:46:56 发布
最新推荐文章于 2025-09-04 18:46:56 发布
阅读量64 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 医学图像处理论文解读 文章标签： 网络 深度学习 医学图像处理 医学图像顶刊 TMI 论文解读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/145404011

论文信息

题目：Cost-Sensitive Weighted Contrastive Learning Based on Graph Convolutional Networks for Imbalanced Alzheimer’s Disease Staging
成本敏感的加权对比学习基于图卷积网络用于不平衡的阿尔茨海默病分期
作者：Yan Hu , Jun Wang , Hao Zhu, Juncheng Li , and Jun Shi

论文创新点

    1. 成本敏感加权对比学习（CSWCL）：提出了一种新颖的成本敏感加权对比学习框架，用于处理不平衡的多类AD分类问题。这种方法通过加权对比学习，增强了少数类别样本的监督信号，以捕获更多的区分性信息。
    1. 基于图卷积网络（GCN）：所提出的方法是基于图卷积网络开发的，利用了静息态功能磁共振成像（rs-fMRI）数据中的功能连接（F
了解本专栏 订阅专栏 解锁全文
TMI 2024 | 基于分布重新校准的多实例学习与Transformer用于全切片图像分类
小白学视觉
03-13 115
分布重新校准策略：本文首次引入了一种分布重新校准策略，通过最大实例（关键实例）特征的统计信息来调整WSI包（实例）的特征分布。特征幅度损失：为了强制类别（包）分离，本文引入了特征幅度损失，假设正包的特征幅度大于负包。生成过程：本文引入了一种生成过程，利用向量量化（VQ）来提高实例的判别能力，即VQ有助于为改进分类建模包的潜在因素。位置编码模块（PEM）：为了建模空间和上下文信息，本文采用了一个位置编码模块（PEM），并通过多头自注意力（PMSA）进行基于Transformer的池化。在数字病理学中，全切片图
TMI 2024 | GenSelfDiff-HIS: 基于扩散的生成自监督用于组织病理学图像分割
小白学视觉
03-14 172
组织病理学图像分割是一项耗时且劳动密集的任务，通常需要经验丰富的病理学家进行分析以确保准确性。为了减轻这一负担，基于大规模标注数据集的监督机器学习方法已被用于组织病理学图像分析。然而，在许多情况下，大规模标注数据的可用性是训练这些模型的瓶颈。自监督学习（SSL）是一种替代范式，它通过仅利用未标注的数据来构建模型，从而提供了一定的缓解。SSL的基本思想是训练网络在未标注数据上执行一个或多个伪任务或预训练任务，然后将其用于各种下游任务。研究表明，SSL的成功与否在很大程度上取决于所考虑的预训练任务。
TMI 2024 | 基于生成分布先验的医学图像关键点定位
小白学视觉
03-22 78
在医学图像分析中，解剖学关键点通常包含其结构信息的强先验知识。本文提出通过归一化流（normalizing flows）建模关键点的潜在分布，从而促进医学关键点定位。具体而言，我们将基于流的先验分布作为可学习的目标函数引入基于回归的关键点定位框架中。此外，我们采用积分操作，使从热图到坐标的映射可微分，从而进一步增强基于热图的关键点定位效果。我们提出的基于归一化流的分布先验（NFDP）采用简单的骨干网络和非问题特定的架构（即ResNet18），在三个基于X射线的关键点定位数据集上实现了高保真输出。
TMI 2024 | 基于概念的病变感知Transformer用于可解释的视网膜疾病诊断
小白学视觉
03-10 146
现有的深度学习方法在诊断视网膜疾病方面取得了显著成果，展示了先进AI在眼科领域的潜力。然而，这些方法的黑箱性质掩盖了其决策过程，影响了其可信度和可接受性。受基于概念的方法启发，并认识到视网膜病变与疾病之间的内在关联，我们将视网膜病变视为概念，并提出了一种本质上可解释的框架，旨在提升诊断模型的性能和可解释性。利用Transformer架构在捕捉长距离依赖关系方面的优势，我们的模型能够有效识别病变特征。通过与图像级注释的集成，模型在视网膜基础模型的指导下实现了病变概念与人类认知的对齐。
TMI 2024| 基于检验统计量估计的自解释卷积神经网络二元分类器构建方法
小白学视觉
02-10 79
深度神经网络在医学图像分类等领域具有极高的潜力，但它们的解释性常常受到批评。现有的后处理解释方法存在局限性，它们可能产生多种合理的解释，导致选择哪种解释存在模糊性。为解决这一问题，本文研究了一种新的基于决策理论的方法，以建立一种自解释模型，给定一个预训练的深度二元黑盒医学图像分类器。这种方法涉及使用自解释编码器-解码器模型与一个具有统一权重的单层全连接网络。该模型被训练以估计给定训练黑盒深度二元分类器的检验统计量，以保持相似的准确度。
TMI 2024 | 学习一个单一网络以实现对带有噪声标签的鲁棒医学图像分割
小白学视觉
03-20 98
在医学成像中，由于获取高质量标注的困难，鲁棒地进行噪声标签分割是一个重要问题。尽管最近的进展取得了巨大的成功，但这些进展仍然需要多个网络来构建它们的框架，并且专注于有限的应用场景，导致在实际应用中的不灵活性。它们也没有明确考虑粗边界标签问题，导致次优结果。为了克服这些挑战，我们提出了一种新颖的同步边缘对齐和记忆辅助学习（SEAMAL）框架，用于噪声标签鲁棒分割。它实现了单一网络鲁棒学习，适用于2D和3D分割，在Set-HQ-knowable和Set-HQ-agnostic场景中。
TMI 2024 | 基于图注意力的病理图像与基因表达融合预测癌症生存期
小白学视觉
05-26 74
多模态机器学习模型正在被开发用于分析病理图像和其他模态，如基因表达，以获得临床和生物学洞察。然而，大多数多模态数据融合框架并没有完全考虑不同模态之间的相互作用。在这里，我们提出了一个基于注意力的融合架构，该架构整合了病理图像的图表示和基因表达数据，并同时从融合信息中学习以预测患者特定的生存率。在我们的方法中，病理图像被表示为无向图，它们的嵌入与基因表达签名的嵌入通过注意力机制结合，以根据患者生存情况对肿瘤进行分层。我们展示了我们的框架如何改善人类非小细胞肺癌的生存预测，超越了利用多模态数据的现有最先进方法。
TMI 2024 | 学习鲁棒形状正则化以实现可泛化的医学图像分割
小白学视觉
04-09 98
可泛化的医学图像分割使模型能够在领域偏移问题下泛化到未见的目标领域。最近进展表明，分割目标的形状因其在跨领域的高一致性和鲁棒性，可以作为可靠的正则化来帮助模型获得更好的跨领域性能，其中现有方法通常寻求一个共享框架来同时渲染分割图和形状先验。然而，由于现代深度神经网络固有的纹理和风格偏好，提取的形状的边缘或轮廓将不可避免地受到医学图像在领域偏移下的特定领域纹理和风格干扰的影响。为了解决这一局限性，作者设计了一个新颖的框架，将形状正则化和分割图分离。
TMI 2024 | HiDiff：用于医学图像分割的混合扩散框架
小白学视觉
06-29 58
医学图像分割随着深度学习（DL）技术的快速发展取得了显著进展。现有的基于DL的分割模型通常是判别式的，即它们旨在学习从输入图像到分割掩膜的映射。然而，这些判别式方法忽略了底层数据分布和类别的内在特征，导致特征空间不稳定。在此工作中，我们提出通过生成模型的底层数据分布知识来补充判别式分割方法。为此，我们提出了一个新颖的混合扩散框架，用于医学图像分割，称为HiDiff，它可以融合现有的判别式分割模型和新的生成扩散模型的优势。HiDiff包含两个关键组件：判别式分割器和扩散细化器。
计算机网络模型入门指南：分层原理与各层作用
最新发布
2402_85030292的博客
09-04 437
所以，需要首先通过ARP协议获取对方的MAC地址，然后将收发双方的MAC地址形成一个MAC头部，加入到IP数据包（包）的前面，形成一个数据帧（Data Frame）,最后发送到以太网。如果没有分层，网络通信的所有功能（从物理信号传输到应用数据解析）都需要由一个模块完成，就像用一个程序实现 “快递打包 + 运输 + 配送 + 签收” 的全流程 —— 任何一个环节的改动（如包装规格变化）都可能影响整个系统，开发和维护几乎不可能实现。：负责 “用户数据的格式处理”（类似 “快递里的物品包装与拆封”）。
9.4 动态路由协议
2301_81476026的博客
09-04 361
​：表示路由协议的优先级，数值越小越优先。​。
十大最佳网络监控工具
心一信息
09-03 606
摘要： 本文介绍了8款优秀的网络监控工具，涵盖云端和开源解决方案。Auvik提供自动化网络发现和流量分析；SolarWinds以可定制仪表板和警报功能见长；LogicMonitor具备AI驱动的异常检测能力；Nagios作为老牌开源工具支持插件扩展；Zabbix提供分布式监控和强大可视化；Datadog支持600+技术集成；AdRem NetCrunch擅长无代理监控；Observium则专注于SNMP设备监控。这些工具都能帮助IT团队实时监控网络性能，快速定位并解决问题，确保业务连续性。
串口服务器技术详解：2025年行业标准与应用指南
2501_91398178的博客
09-02 888
串口服务器（Serial-to-Ethernet Server）是一种将传统串口设备（如RS-232、RS-485、RS-422）转换为以太网设备的硬件设备。它能够实现：· 串口设备的远程监控与管理。· 数据透明传输，支持TCP、UDP等网络协议。· 传统设备与现代网络环境的无缝对接。串口服务器作为工业和物联网领域的重要设备，2025年正呈现技术多元化、应用场景广泛化的发展趋势。MOXA、EBYTE、研华、Lantronix和西门子等品牌凭借其技术优势和行业经验，为用户提供了丰富的选择。
如何将两个网段互相打通
weixin_42795092的博客
09-04 381
两个网段互通的核心是配置正确的路由规则小型网络用单台三层设备（路由器 / 交换机）直接连接，依赖直连路由；跨设备网络需在每个网关添加静态路由，明确 “下一跳”；跨公网需通过 VPN 建立加密隧道，实现虚拟互通。配置后务必通过ping命令或网络扫描工具（如tracert）验证连通性，逐步排查防火墙、子网掩码等潜在问题。
CGroup 资源控制组 + Docker 网络模式
2301_79840250的博客
09-01 392
摘要： CGroup是Linux内核级资源控制机制，通过6大子系统（cpu/memory/blkio等）实现容器资源隔离与限制，Docker CLI参数（如-m、--cpu-shares）直接映射至CGroup文件。Docker网络提供五种模式（bridge/host/none/container/自定义），其中bridge模式通过veth与iptables NAT实现端口映射，自定义网络支持DNS解析与隔离。overlay网络实现跨主机通信，依赖VXLAN隧道。关键点包括：CGroup动态修改、pids.
手机网络IP归属地更改方法总结
q2669689953的博客
09-01 531
需要明确的是：IP地址的归属地是由您的网络服务提供商（ISP）根据网络基础设施分配的，个人无法直接、永久地改变其物理归属地。当您从一个地方移动到另一个地方，或者重启手机时，网络可能会为您重新分配一个不同归属地的IP（尤其是在省际边界）。这样，您对外显示的IP就是服务器的IP，其归属地自然是服务器所在地。更彻底的方法是：手动切换到另一个运营商的网络（如果您的手机支持双卡或eSIM），因为不同运营商在相同地点的IP池归属可能不同。原理：您的网络请求通过一个中间代理服务器转发，对方看到的是代理服务器的IP。
Websocket链接如何配置nginx转发规则？
圆子mom的博客
09-04 104
前端页面部署在localhost:8088端口上，后端websocket服务部署在localhost:8082端口上，下面介绍两种环境的转发规则。前端接口：ws://localhost:8088/api/ws/runs/16?token=null。1、开发环境（vue3框架）
【网络安全入门基础教程】网络安全零基础学习方向及需要掌握的技能
AUG2468的博客
09-01 1025
《0基础如何进入网络安全行业》摘要：针对零基础转行网络安全，建议先明确方向（如web安全、渗透测试等），避免盲目学习。推荐通过B站、安全论坛等免费资源自学基础知识，并利用靶场实践。考证建议从CISP/NISP入手，找工作掌握50%技能即可尝试。强调不要追求速成，真正的成长需要持续学习和实践。文章提供了安全社区推荐、学习路线图及90多节免费视频教程资源（见文末卡片），帮助初学者系统入门。提醒网络安全≠黑客工具，需根据岗位需求针对性学习。
2025.8.31基于UDP的网络聊天室项目
S666668888的博客
08-31 1319
本文介绍了一个基于UDP协议实现的简易网络聊天室系统。系统采用C/S架构，使用Linux系统下的C语言开发，通过定义统一的消息结构体实现登录、群聊、下线等功能的通信。服务器端负责接收并转发各类消息，维护在线用户列表；客户端采用多线程设计，实现收发消息的并行处理。系统实现了用户登录/下线通知、群聊消息广播等核心功能，涉及UDP通信、多线程编程、数据结构等关键技术。文中提供了完整的源代码实现，并详细说明了程序的编译运行方法及功能演示效果，为学习网络编程提供了实用案例。
基于深度学习的眼底图像分割MATLAB实现
资源摘要信息:"图片分割matlab代码-MNet_DeepCDR:TMI2018代码“基于多标签深度网络和极坐标变换的联合光盘和杯分割”" 知识点详细说明: 1. 图片分割与深度学习应用： 图片分割是计算机视觉领域的一个核心任务，它...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值