MMOct, 2018

UOLO - 生物医学图像中的自动目标检测与分割

PDF
TL;DR提出 UOLO 框架，用于医学图像中感兴趣结构的同时检测和分割。UOLO 由对象分割模块组成，其中间抽象表示被处理并用作对象检测的输入。该系统同步优化以检测对象类和分割可选结构类。通过新的损失函数进行训练，考虑到每个训练图像是否可以获取参考分割。在公共数据集上，验证 UOLO 在视网膜图像中同时进行视盘（OD）检测、黄斑检测和 OD 分割，实现了最先进的性能。
uolomedical imageobject detectionsegmentationloss function
发现论文，激发创造
  • MedYOLO：一种医学图像目标检测框架

    人工智能、医学影像、卷积神经网络、目标检测、MedYOLO

    Dec, 2023

  • YOLO-MED：生物医学图像的多任务交互网络

    本研究提出了一种高效的端到端多任务网络 YOLO-Med，能够同时进行目标检测和语义分割，通过多尺度特征提取和任务特定解码器的结合，以及跨尺度任务交互模块的引入，实现了准确性和速度的平衡，并在 Kvasir-seg 数据集和私有生物医学图像数据集上获得了良好的结果。

    Mar, 2024

  • ADA-YOLO: YOLOv8 和自适应头部的动态融合用于精确图像检测与诊断

    基于注意力机制的医学目标检测方法 ADA-YOLO 在血细胞计数和检测 (BCCD) 数据集上表现出色，相较于 YOLOv8 模型，它在 mAP（平均准确率）上优于后者，并仅使用了三倍以上的空间，适用于资源受限的环境，如移动设备或边缘计算系统。

    Dec, 2023

  • UOD: 解剖标志通用单次检测

    提出了一种医疗图像领域自适应的单次学习里程碑检测框架（UOD），通过使用两个阶段的通用模型和领域特定模块，实现了多领域无标签数据的领域偏好适应，并在 X-ray 头，手和胸部三类不同解剖部位的公共数据集上获得了最先进的表现。

    Jun, 2023

  • 面向 SLO 图像的公开船舶分割算法

    基于 IRSLO 图像，我们研发了一种专门用于血管分割的算法，并将其作为开源项目发布。该算法采用了 U-Net 深度学习网络，在测试集上达到了较高的准确率，并可用于计算血管指标，如分形维度和血管密度。

    Nov, 2023

  • 大规模无监督物体发现

    提出了一种新的针对大规模数据集的无监督目标探索（UOD）形式化的排名问题方法，该方法可应用于特征自我学习，并结合各种分布式方法和链接分析，实现了完全无监督的 UOD 流程，在单目标和多目标探索方面表现良好。

    Jun, 2021

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • Retina U-Net：基于分割监督的医学目标检测方法

    本文提出了一种新颖的 Retina U-Net 结构，以提高小型医学图像数据集中目标检测效率，该结构自然地将单级探测器与医学图像语义分割中广泛使用的 U-Net 架构相结合，并通过补充对象检测与语义分割形式的辅助任务来重新捕获监督信号，从而取得更好的检测效果。

    Nov, 2018

  • 仅自底向上查看的单目三维物体检测

    YOLOBU 是一种基于图像特征列的新方法，它通过底 - up 方式建立像素之间的关系，充分利用位置线索进行单目 3D 检测，并在 KITTI 数据集上展示出其有效性和优越性。

    Jan, 2024

  • UniMOS: 一种用于标签约束数据集的多器官分割的通用框架

    UniMOS 是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架，其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明，与其他先进方法相比，该框架在多个医学图像分割任务中表现出色，同时显著提高了数据利用率并降低了标注成本。

    Nov, 2023