Apr, 2018

利用松弛上置信区间进行样本选择的多器官分割网络训练

PDF
TL;DR本文利用一种新的样本选择策略，名为松弛上界置信度（RUCB），以强化与探索策略训练深度卷积神经网络，提高医学图像多器官分割的准确性。该方法有效地解决了注释错误对训练的影响，且在 120 个腹部 CT 扫描数据集上获得了显著的表现提升。
发现论文，激发创造
  • U-Net: 生物医学图像分割的卷积神经网络

    该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

    May, 2015

  • 利用卷积神经网络提高医学图像分割中的校准性和超出分布检测能力

    本研究采用多任务学习的方法解决了小型医学图像数据集训练卷积神经网络模型的挑战性问题，并通过对多个数据集进行训练，以识别不同情境下的感兴趣器官并提高模型输出的准确性和可靠性。同时，基于卷积神经网络特征图的频谱分析方法在检测测试图像的 “出域” 数据方面，表现出明显优势。

    Apr, 2020

  • 一种自适应采样方案，用于高效训练全卷积网络进行语义分割

    本文旨在解决在大型稀疏数据集上进行语义分割任务的挑战，提出了一种自适应采样方法和基于深度双通道卷积神经网络的算法，取得了 VISCERAL 解剖学基准测试的最新的最好结果。

    Sep, 2017

  • 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

  • 自动设计用于医学图像分割的 CNN 架构

    本文提出了一种基于策略梯度强化学习的超参数自动优化算法，旨在针对医学图像分割任务设计神经网络结构，并提出了一种密集连接编码器 - 解码器 CNN 作为强基线架构，结果表明该算法的计算成本低且效果显著达到了同领域最先进水平。

    Jul, 2018

  • 采用器官注意力网络和统计融合的腹部多器官分割

    使用器官注意力网络，结合反向连接，以 2D 视图特征分割 3D CT 体积中的腹部器官。统计融合不同方向上的 2D 视图，实现准确和鲁棒的分割结果。

    Apr, 2018

  • 基于双向 RNN 的 3D 医学图像分割少样本学习

    本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

    Nov, 2020

  • 面向半监督医学图像分割的一致性感知不确定性估计

    本文提出一种新的半监督医学图像分割模型 CoraNet，基于我们的不确定性估计和分离自我训练策略，通过估计不确定性来提高分割结果的一致性，与现有技术相比，我们的方法表现更优，并对其与传统不确定性估计方法进行了分析和比较。

    Oct, 2021

  • FocusNet：头颈 CT 图像的端到端深度神经网络，用于不平衡的大和小器官分割

    本文提出了一种端到端的神经网络模型用于解决头颈 CT 影像中不平衡大小器官分割的问题，并通过特定的小器官网络准确地分割小器官，最终在收集的实际数据和 MICCAI 头颈自动分割竞赛数据集上具有优秀的表现。

    Jul, 2019