xAILAB Bamberg feiert Doppelerfolg bei MICCAI 2024
ADSMI-Workshop Paper: "MedMNIST-C: Comprehensive benchmark and improved classifier robustness by simulating realistic image corruptions"
Die Integration von neuronalen Netzwerken in die klinische Praxis wird durch Herausforderungen bei der Domänengeneralisierung und Robustheit eingeschränkt. Um diese zu adressieren, wurde MedMNIST-C, ein umfassender Benchmark-Datensatz, der auf der MedMNIST+ Sammlung basiert, eingeführt. MedMNIST-C deckt 12 Datensätze und 9 Bildgebungsmodalitäten ab und simuliert aufgaben- und modalitätsspezifische Bildverzerrungen unterschiedlicher Schweregrade, um die Robustheit von Algorithmen gegenüber realen Artefakten und Verteilungsverschiebungen zu bewerten. Quantitative Beweise zeigen, dass einfach zu verwendende künstliche Verzerrungen eine hochleistungsfähige, leichte Datenaugmentation ermöglichen, die die Robustheit des Modells verbessert. Im Gegensatz zu traditionellen, generischen Augmentierungsstrategien nutzt dieser Ansatz Domänenwissen und zeigt eine deutlich höhere Robustheit.
Für weitere Details können Sie das Paper hier und den zugehörige Programmcode hier abrufen.
Hauptkonferenz Paper: "Self-supervised Vision Transformer are Scalable Generative Models for Domain Generalization"
Trotz bemerkenswerter Fortschritte wurde die Integration von Deep-Learning-Techniken (DL) in klinisch relevante Anwendungen, insbesondere im Bereich der digitalen Histopathologie, durch Herausforderungen bei der robusten Generalisierung über verschiedene Bildgebungsdomänen und -merkmale hinweg behindert. Traditionelle Milderungsstrategien in diesem Bereich, wie Datenaugmentation und Farbnormalisierung von Färbungen, haben sich als unzureichend erwiesen, um dieses Problem zu lösen, was die Erforschung alternativer Methoden erforderlich macht. Zu diesem Zweck wird eine neuartige generative Methode zur Domänengeneralisierung in histopathologischen Bildern vorgeschlagen. Diese Methode verwendet einen generativen, selbstüberwachten Vision Transformer, um dynamisch Merkmale von Bildausschnitten zu extrahieren und nahtlos in die Originalbilder einzufügen, wodurch neuartige synthetische Bilder mit vielfältigen Attributen entstehen. Durch die Anreicherung des Datensatzes mit solchen synthetisierten Bildern soll dessen ganzheitliche Natur verbessert werden, was die Generalisierung von DL-Modellen auf unbekannte Domänen erleichtert. Umfangreiche Experimente, die an zwei unterschiedlichen histopathologischen Datensätzen durchgeführt wurden, zeigen die Wirksamkeit dieses Ansatzes und übertreffen den Stand der Technik deutlich, sowohl beim Camelyon17-wilds Challenge-Datensatz (+2%) als auch bei einem zweiten Epithel-Stroma-Datensatz (+26%). Darüber hinaus wird die Fähigkeit dieser Methode betont, mit der zunehmenden Verfügbarkeit von nicht gekennzeichneten Datenproben und komplexeren, höher parametrischen Architekturen leicht zu skalieren.
Für weitere Details können Sie das Paper hier und den zugehörige Programmcode hier abrufen.
Über MICCAI und ADSMI
Die MICCAI-Konferenz wird als erstklassige jährliche Veranstaltung anerkannt, die sich auf die neuesten Entwicklungen in der medizinischen Bildverarbeitung, computerassistierten Intervention und verwandten Bereichen konzentriert. Sie zieht erstklassige Forschung aus aller Welt an, fördert Zusammenarbeit und Fortschritte in der medizinischen Bildgebung KI.
Der MICCAI-Workshop zur Förderung von Datenlösungen in der medizinischen Bildgebung KI (ADSMI) bietet eine Plattform für Diskussionen und Innovationen an der Schnittstelle von medizinischer Bildgebung, KI und Datenwissenschaft. Dieser Workshop befasst sich mit den Herausforderungen der Datenknappheit, -qualität und -interoperabilität in der medizinischen Bildgebung KI und vereint die Bemühungen von Data Augmentation, Labeling, and Imperfections, Big Task Small Data, und Medical Image Learning with Limited and Noisy Data.
Freuen Sie sich auf spannende Einblicke und Updates direkt von der MICCAI 2024 im Oktober!
