BoxNet：基于盒子标注的深度学习生物医学图像分割

Jun, 2018

BoxNet：基于盒子标注的深度学习生物医学图像分割

BoxNet: Deep Learning Based Biomedical Image Segmentation Using Boxes Only Annotation

Lin Yang, Yizhe Zhang, Zhuo Zhao, Hao Zheng, Peixian Liang...

TL;DR本文提出一种基于盒子注释的弱监督深度学习方法，通过结合图形搜索和深度学习的方法从盒注释中生成精细的对象掩模，并且使用生成的掩模来训练准确的深度学习分割网络，实验结果表明，该方法优于目前已知的最佳弱监督深度学习方法，并且能够以远少于制备全监督深度学习方法相同的注释成本来实现几乎相同的准确性，而且能够有效地应用于各种应用领域。

Abstract

In recent years, deep learning (DL) methods have become powerful tools for biomedical image segmentation. However, high annotation efforts and costs are commonly needed to acquire sufficient biomedical training d

deep learning biomedical image segmentation weakly supervised box annotation dl segmentation network

发现论文，激发创造

基于深度主动学习框架的生物医学图像分割建议性标注

本文提供一种深度主动学习框架，基于全卷积网络和主动学习结合提供对最有效的标注区域的建议，以显著降低标注时间，测试中仅使用 50% 的训练数据，即可达到最先进的分割性能。

Jun, 2017

每个注释都很重要：医学图像分割的多标签深度监督

本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

Apr, 2021

BoxSup: 利用边界框监督卷积神经网络进行语义分割

本文提出了一种名为 BoxSup 的方法，通过利用 bounding box annotations 代替 human-annotated, pixel-level segmentation masks 来训练卷积网络，循环生成 region proposals 和训练卷积网络来恢复分割掩模和提高网络的准确性。这个方法在 PASCAL VOC 2012 和 PASCAL-CONTEXT 上取得了 state-of-the-art 的结果。

Mar, 2015

Box2Mask: 使用边界框进行弱监督的三维语义实例分割

本文提出 Box2Mask 方法，利用 3D 包围盒标签进行弱监督学习，通过 Hough 投票和聚类方法实现 3D 实例分割，无需密集注释点云数据，模型在 ScanNet 测试上达到领先水平（+18 mAP@50），并在实现 3D 实例分割掩码方面取得了令人信服的结果。

Jun, 2022

利用边界框标注实现低成本细胞图像分割的主动学习

我们提出了一种使用边界框注释的主动学习框架，用于细胞分割，大大降低了数据注释成本。通过将 YOLOv8 检测器与 Segment Anything Model (SAM) 相结合，我们生成了一个箱子监督学习方法（称为 YOLO-SAM），有效降低了数据注释的复杂性。此外，它还集成到一个主动学习框架中，使用 MC DropBlock 方法以较少的框注释样本来训练分割模型。广泛的实验证明，与遮罩监督深度学习方法相比，我们的模型节省了超过 90％的数据注释时间。

May, 2024

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

DeepCut: 使用卷积神经网络从边界框标注进行对象分割

本文提出了 DeepCut 算法，使用神经网络分类器和 CRF 条件随机场以及弱监督技术，从带有边界框标注的图像数据集中训练对象分割模型，取得了在胎儿磁共振图像数据集的脑和肺分割问题上具有良好精度的结果。

May, 2016

深度学习在生物医学图像分类中使用自动标签与手动标签同样有效

研究探讨在何种情况下可以采用自动标签来训练深度学习模型进行癌症组织切片图像分类，结果发现具有 10% 噪声标签的自动标签可以获得竞争性模型，而应用 Semantic Knowledge Extractor Tool (SKET) 算法生成的自动标签表现与手动标签相当，达到了与手动标签训练模型相当的稳定性能。

Jun, 2024

一种基于专家驱动的组织切片图像数据生成流程

通过允许专家在数据集生成过程中融入领域知识，我们提出了一种用于细胞分割的合成数据集生成方法，可以有效地训练深度学习实例分割模型，克服了医学领域中稀缺且昂贵的注释数据的限制。

Jun, 2024

半监督自修正语义图像分割网络

本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

Nov, 2018