Jun, 2018

学新知，承旧业：为预训练模型增加新的解剖结构和影像

PDF
TL;DR本文提出了一种应用于医学图像分割的增量学习框架，并提出了用于选择代表性数据的新方法，使用 MR 图像在不同情景下进行了比较评估，证实了使用该方法可以增加学习能力。
deep learningmedical image segmentationincremental learningrepresentative datamr images
发现论文，激发创造
  • 利用旧知识持续学习医学图像中的新类别

    本文提出了一种两个主要组成部分的框架来避免类别增量持续学习中的灾难性遗忘，包括动态架构和训练过程，结果表明这种解决方案在医疗数据集上能够实现比现有技术水平更好的类别准确性和遗忘能力。

    Mar, 2023

  • 脑肿瘤 MRI 异质结构分割的增量学习

    本研究提出了一个基于增量学习的深度学习分割模型，使用离散批量均衡正则化的双流模块来区分旧任务和新任务，使用伪标签训练方案进行自适应网络优化，以在变化的目标域中提高平均分割准确度。

    May, 2023

  • 使用额外解剖结构扩展预训练分割网络

    该论文提出了一种基于类增量的分割框架，通过从当前框架的状态中提炼出的知识，将任何所需的深度分割网络扩展到另一种结构，适用于终身类增量学习。该方法可以在不忘记旧结构的情况下学习新的解剖结构，并且不会严重增加内存和复杂性。

    Nov, 2018

  • 医学图像分割的可信深度学习

    该论文研究利用新的数学和优化方法来解决基于深度学习的医学图像分割方法在图像获取协议和图像解剖变异性方面的限制，以减少需要手动标记成本高昂的问题。

    May, 2023

  • 语义分割的增量学习技术

    本研究旨在解决深度学习架构在面临新增任务时由于灾难性遗忘导致性能下降的问题，提出了一种知识蒸馏方法来保留以前学习过的类别信息，并同时学习新类别，本文在 Pascal VOC2012 数据集上进行了实验验证其有效性。

    Jul, 2019

  • 大规模遥感数据语义分割的增量学习

    本研究提出一种增量学习方法，可在不影响之前学习到的类别的情况下，学习新类别的语义分割，同时，利用记忆网络来记忆之前学习到的信息。

    Oct, 2018

  • 一种无分类器的可扩展医学图像分割的增量学习框架

    通过引入新的分割范式，我们提出了一种基于对比学习的分类器自由网络，能够实现可变数量类别的分割，并结合知识蒸馏的增量学习框架，解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。

    May, 2024

  • 基于深度学习的医学图像分割与不精确标注

    医学图像分割 (MIS) 在医学图像分析中起着关键作用，目前主流的 MIS 方法基于深度神经网络 (DNNs)，该方法主要训练医生生成的注释掩膜数据集，然而由于不同医生生成的注释掩膜可能存在差异，因此本文利用多专家注释来提高模型对新医生的适应性，并在 MRI 脑分割任务上进行了试验，结果表明，在只使用新医生提供的几个注释进行轻量级微调后，模型在新医生上的适用性可以得到有效增强。

    Feb, 2024

  • 深度学习解决医学图像分割中的不完整数据：综述

    这篇文章主要介绍了在医学图像分割领域中，利用卷积神经网络进行高性能分割所需要的大量高质量标注数据的问题，并且探讨了如何解决数据集缺陷，包括有限的标注和不完美的标注问题。

    Aug, 2019

  • 腹部多器官和肿瘤分割的持续学习

    本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

    Jun, 2023