ECCVAug, 2016

SSHMT: 用于电子显微镜图像分割的半监督层次合并树

PDF
TL;DR本文提出一种基于区域的半监督分割方法，通过一个可微的无监督损失函数和贝叶斯模型结合有监督信息，可以在仅用 3％到 7％的完整标签数据子集的情况下实现与全标签方法相当的表现并显著优于仅相同标签子集的有监督方法。
region-based methodssegmentationelectron microscopysemi-supervised approachbayesian model
发现论文，激发创造
  • 使用层次合并树进行图像分割

    本研究提出一种基于树形结构和边界分类器的图像分割的有监督分层方法，实验结果表明该方法在六个公共数据集上实现了最先进的区域分割精度，在没有语义先验的图像分割中具有很强的竞争力。

    May, 2015

  • DeepMerge: 基于深度学习的图像分割区域合并

    本文提出了一个基于深度学习的区域合并方法 - DeepMerge 来处理大面积 VHR 图像的分割，该方法通过集成 Transformer, 多级嵌入模块，基于分割的特征嵌入模块和区域邻接图模型处理问题，并使用改进的二叉树采样方法生成深度合并模型的多级输入。从实验结果表明，所提出的 DeepMerge 具有最高的 F 值（0.9446）和最低的 TE（0.0962）和 ED2（0.8989），能够正确地分割不同大小的对象，并且优于所有选择的分割方法从定量和定性评估方面来表现。

    May, 2023

  • 电子显微镜分割算法的理想属性

    本研究提出一种新型的 EM 分割分类器训练算法，旨在降低对标注和错误修正任务的手动劳动需求，实验表明该方法较现有方法更适于神经重建。

    Mar, 2015

  • 机器学习的层次聚类用于 2D 和 3D 图像分割

    提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在 3D 电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。

    Mar, 2013

  • 一种证据增强的三支一致性学习方法用于半监督医学图像分割

    介绍了一种基于 Evidential Tri-Branch Consistency 学习框架（ETC-Net）的半监督医学图像分割方法，通过三个分支来解决预测多样性和训练稳定性，并结合来自证据学习的不确定性估计来抑制错误监督信号的负面影响，实验结果表明 ETC-Net 在多个数据集上超越了其他最先进的半监督分割方法。

    Apr, 2024

  • 利用仿真监督的深度学习分析活细胞器状态和行为

    本文介绍了一种使用深度学习生成虚拟训练数据集的方法，以解决显微镜数据分割的 GT 问题，为分析心肌细胞线粒体状态和行为提供了巨大帮助，并获得了二进制分割的 91% 的 IoU 分数。

    Aug, 2020

  • SM2C：利用元伪标签和混合图像提升医学图像的半监督分割

    最近，基于机器学习的语义分割算法展示出了在医学图像中精确分割区域和轮廓的潜力，从而能够准确定位解剖结构和异常情况。然而，由于训练数据的有限性，过拟合几乎是不可避免的。因此，本研究引入了一种名为 SM2C 的新方法，通过扩大图像尺寸、多类别混合和目标形状抖动等策略，提高了在医学图像中学习语义特征的能力，通过丰富每个样本中的语义信息和多样化分割对象的形状，SM2C 展示了其在未标记数据训练中的潜力。大量实验证明了 SM2C 在三个基准医学图像分割数据集上的有效性，该提出的框架在先进技术对手中显示了显著的改进。

    Mar, 2024

  • 向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

    自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

    Nov, 2023

  • 重新思考半监督医学图像分割的数据扰动和模型稳定化

    提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

    Aug, 2023

  • 一种上下文感知的电子显微镜分割延迟凝聚框架

    该论文提出了一种新颖的聚合框架用于电子显微镜图像（或体积）分割，即给定一个过分割的图像或体积，我们提出了一个新的框架来准确地聚类相同神经元的区域，并且在 2D，3D 数据集上，与现有标准方法相比，该方法在分割准确度上取得了显着的改进。

    Jun, 2014