深度学习在儿童低级别胶质瘤术后复发预测中的应用 背景介绍 儿童低级别胶质瘤（Pediatric Low-Grade Gliomas, PLGGs）是儿童中最常见的脑肿瘤类型之一，占所有儿童中枢神经系统肿瘤的30%-50%。尽管PLGGs的预后相对较好，但其术后复发风险难以通过传统的临床、影像学和基因组因素准确预测。术后复发的异质性使得术后管理决策变得复杂，尤其是关于辅助治疗和影像监测的决策。因此，开发一种能够准确预测术后复发风险的工具对于优化患者管理和改善预后具有重要意义。 近年来，深度学习（Deep Learning, DL）在医学影像分析中的应用取得了显著进展，尤其是在肿瘤分割和预后预测方面。然而，由于PLGGs的罕见性和数据稀缺性，深度学习在该领域的应用仍面临挑战。本研究旨在通过结合术...

学术背景与问题提出 近年来，深度神经网络在计算机视觉领域取得了显著进展，尤其是在图像识别、目标检测和语义分割等任务中。然而，当面对长尾分布（long-tailed distribution）数据时，即使是目前最先进的深度模型也表现不佳。长尾分布指的是数据集中少数类（tail classes）的样本数量远远少于多数类（head classes）的样本数量。这种数据不平衡问题在许多实际应用中普遍存在，例如管道故障检测和人脸识别等。 长尾图像识别的主要挑战在于如何有效处理数据不平衡问题，尤其是如何提升少数类的泛化性能。常见的解决方案包括重采样（re-sampling）、损失重加权（loss re-weighting）和数据增强（data augmentation）等。然而，这些方法往往无法从根本上...

PICK模型在半监督医学图像分割中的应用 学术背景 医学图像分割在临床实践中具有重要意义，能够为医生提供关于器官或肿瘤的体积、位置和形状等关键信息。近年来，基于深度学习的模型在医学图像分割任务中表现出色，但这些模型通常需要大量的标注数据。然而，医学图像的标注需要专业的临床医生，获取这些标注数据既耗时又昂贵。因此，如何在有限的标注数据下提高模型性能成为了一个重要的研究问题。 半监督学习（Semi-Supervised Learning, SSL）通过同时利用有限的标注数据和大量的未标注数据，成为解决这一问题的有效方法。现有的SSL方法主要分为两类：伪标签（Pseudo-labeling）和基于一致性的协同训练（Consistency-based Co-training）。然而，这些方法在处理未...

学术背景与问题提出 水下图像在海洋探测、水下机器人、海洋生物识别等领域具有重要应用价值。然而，由于水对光的折射和吸收作用，水下图像通常存在对比度低、颜色失真等问题，严重影响了后续的感知任务（如目标检测、语义分割等）的准确性。现有的水下图像增强方法主要关注视觉质量的提升，而忽略了增强图像在后续任务中的实际应用效果。因此，如何在视觉质量提升和实际应用之间找到平衡，成为了当前研究的一个重要挑战。 为了解决这一问题，本文提出了一种基于启发式可逆网络的水下感知增强方法（HUPE）。该方法不仅能够提升水下图像的视觉质量，还能通过语义协作学习模块提取任务导向的语义特征，从而更好地服务于后续的感知任务。 论文来源与作者信息 本文由Zengxi Zhang、Zhiying Jiang、Long Ma、Jiny...

基于质量对抗学习的无参考图像质量评估方法研究 学术背景 图像质量评估（Image Quality Assessment, IQA）是计算机视觉领域中的一个基础问题，旨在评估图像在视觉内容上的保真度。IQA在图像压缩、恢复等领域具有重要的应用价值。传统的IQA方法主要分为全参考（Full-Reference, FR-IQA）和无参考（No-Reference, NR-IQA）两类。FR-IQA通过比较失真图像与参考图像之间的差异来评估图像质量，而NR-IQA则在没有参考图像的情况下，仅通过失真图像本身来评估其质量。由于NR-IQA缺乏参考图像，其在评估图像内容保真度（Content Fidelity）方面存在较大挑战，难以区分原始内容与失真之间的差异。 近年来，基于深度学习的NR-IQA方法取...