Jan, 2018

无需手动标注的肺部 CT 图像囊肿自动检测与分割

PDF
TL;DR介绍了一种利用深度学习技术对肺部 CT 图像中的囊性病变进行检测和分割的自学习算法，从而实现无需手动注释和少量专家技能即可进行较为准确的分割。
image segmentationmedical image analysisdeep neural networksweakly supervised learninglung ct images
发现论文，激发创造
  • 卷积神经网络中的判别性定位用于弱监督下肺结节分割

    这篇论文提出了一种基于卷积神经网络的弱监督方法，仅通过图像级标签即可生成准确的小结节体积分割，并且相较于完全监督 CNN 方法该方法实现了竞争性的性能表现。

    Jul, 2017

  • 有限数据注释的自监督 RCNN 用于医学图像分割

    本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

    Jul, 2022

  • 有限标注数据下乳腺 X 光大片肿块分割的半监督和弱监督学习

    我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

    Mar, 2024

  • 使用深度学习进行自动肺叶分割

    利用深度学习方法实现肺叶分割，在一个手动标注的数据集上测试所提出的方法，通过设计一个混合损失函数来解决类别失衡问题，并在独立数据集上进行了测试，取得了比基线模型高达 5.87% 的表现。

    Mar, 2019

  • 基于先进深度学习的弱监督、半监督和自监督技术在组织病理学图像分析中的标签高效自动诊断和分析：全面调查

    该研究综述了计算病理学领域中基于弱监督学习、半监督学习和自监督学习方法的最新研究，重点讨论了这些技术所面临的关键挑战和未来的发展趋势。

    Aug, 2022

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • 基于实例感知的无监督核分割学习

    本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

    Jul, 2020

  • 学习从噪声标注中分割皮肤病变

    该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

    Jun, 2019

  • 自监督式脑部 CT 扫描中的异常外检测

    本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

    Nov, 2020