Jun, 2018

用概率 U-Net 对模糊图像进行分割

PDF
TL;DR通过使用结合了 U-Net 和条件变分自编码器的生成式分割模型，我们可以有效地产生无限数量的合理假设，以学习分割的分布，该模型可在肺部和城市街景分割任务中显着优于先前的方法，对于临床决策过程中存在的歧义问题，该模型能提供多种可能性的语义分割假设进行诊断并建议需要进一步的行动。
segmentationsgenerative modelu-netconditional variational autoencoderplausible hypotheses
发现论文，激发创造
  • 一种用于建模多尺度模糊的层次概率 U-Net

    提出一种用于鲜明可辨的多级细节分割的分割网络，Hierarchical Probabilistic U-Net，它采用基于条件变分自编码器的分层潜空间分解，可以在自动分离多个规模的独立因素的同时，学习跨规模的复杂结构分布，从而实现对医疗扫描的分割以及对神经生物学和自然图像实例分割的能力的提升。

    May, 2019

  • PHiSeg：医学图像分割中的不确定性捕捉

    本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

    Jun, 2019

  • 多人标注的分割任务中的监督不确定性量化

    本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

    Jul, 2019

  • 医学影像中确定性不确定性量化的潜密度分割模型的研究与改进

    通过在医学图像分割中鼓励一个均匀的潜在空间，可以显著提高潜在密度建模的效果。

    Jul, 2023

  • 医学图像分割网络的层次化不确定性估计

    建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

    Aug, 2023

  • 基于归一化流的医学图像分割不确定性量化

    提出了一种基于条件归一化流变换的新型条件生成模型 cFlow Net，用于医学图像分割领域，实验结果表明在定性定量指标上相比最近的 cVAE 基于的模型有显著提高。

    Jun, 2020

  • 基于不确定性的 MRI 分割的人工智能

    通过结合贝叶斯神经网络和注意机制，我们提出了一种不确定性感知的 MRI 数据分割模型 BA U-Net，用于高精度且可解释的病理自动筛查的关键首步，我们在公开可用的 BraTS 2020 数据集上使用 F1 分数和交并比（IoU）作为评价指标进行了模型评估。

    Nov, 2023

  • W-Net: 一种用于完全无监督图像分割的深度模型

    本文提出了一种新颖的深度架构用于纯无监督图像分割，通过自编码器将两个全卷积网络进行串联，并在训练期间联合最小化自编码器的重构误差和编码器产生的标准化割。结合适当的后处理，包括条件随机场平滑和分层分割，该算法在基准伯克利分割数据集上取得了出色的结果，优于许多竞争方法。

    Nov, 2017

  • 随机分割网络：建模空间相关的不确定性

    本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs 通过对数 it 空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs 表现出更好的表现.

    Jun, 2020

  • 解剖学感知的半监督图像分割的不确定性

    通过利用全局信息来估计分割不确定性的一种新方法，该方法首先学习了一个解剖感知的表示，然后将新分割的预测映射为一个解剖上可信的分割，借助于与可信分割的偏差，估计底层像素级不确定性以进一步指导分割网络，该方法仅使用一次推断从我们的表示中估计不确定性，从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性，以两个常用的评估指标衡量。

    Oct, 2023