May, 2017

一种深度水平集方法用于图像分割

PDF
TL;DR本文提出一种新的图像分割方法，该方法将全卷积神经网络 (FCN) 与水平集模型相结合。相较于单独使用 FCN，该集成方法可以结合平滑和先验信息来实现准确的分割。此外，该模型将水平集模型与训练相集成，从而可以在半监督模式下使用未标记的数据进行训练。本文使用两种医学成像数据（肝 CT 和左腔室 MRI 数据）证明了该集成方法在很少的训练数据可用的情况下也能够取得良好的性能，优于单独使用 FCN 或水平集模型。
image segmentationfully convolutional networkslevel set modelsemi-supervised learningmedical imaging
发现论文，激发创造
  • 医学图像分割中基于归一化输入的迭代估计学习

    本文介绍了一种简单而强大的医学图像分割方法，该方法将 Fully Convolutional Networks（FCNs）与 Fully Convolutional Residual Networks（FC-ResNets）相结合，并利用可训练的预处理对低容量 FCN 模型进行标准化，以获得多模态医学图像的高精度分割结果。

    Feb, 2017

  • 基于级联的三维全卷积网络在医学图像分割中的应用

    通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

    Mar, 2018

  • 图像语义分割的图卷积神经网络

    基于全卷积网络（FCN）的图形模型 Graph-FCN 用于图像语义分割，将图像网格数据扩展为图形结构数据，然后应用图形卷积网络解决图形节点分类问题，与原始 FCN 模型相比在 VOC 数据集上实现了竞争性的 mIOU 性能提升约 1.34％。

    Jan, 2020

  • 基于 CNN 的语义分割，使用水平集损失

    研究使用 CNN 进行语义分割时由于输出分辨率较低而损失空间细节的问题，采用基于 level set 理论的新型 loss function：level set loss，将 level set 函数转化为类别概率图，通过加权求和与 cross-entropy loss 进行联合优化，提高了分割结果的空间细节。对比先前的方法取得更好的性能。

    Oct, 2019

  • 全连接深层结构网络

    该研究提出了一种单一联合训练算法，能够有效地应用于语义图像分割任务，并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。

    Mar, 2015

  • 用于腹部多器官分割的多尺度金字塔 3D 全卷积网络

    本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

    Jun, 2018

  • 使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

    本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

    Oct, 2017

  • 全卷积神经网络用于人群分割

    本研究提出了一种快速卷积神经网络 (FCNN)，并使用多阶段的深度学习来整合外观和动态线索进行人群分割，成功使用我们自己创建的具有 235 和 11 个场景的人群分割数据集对我们的方法进行了评估。

    Nov, 2014

  • 级联深度残差网络自动肝脏病变检测

    本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联 ResNet 架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。

    Apr, 2017

  • 基于两阶段卷积神经网络的背景重构和前景分割

    本文提出了一种端到端的两阶段深度卷积神经网络框架，用于视频序列中的前景分割，该方法利用背景图像的语义和先验知识以及前景和背景的先验视觉知识，与 CDNet 2014 相比，其性能提高了 4.9％。

    Jul, 2017