提出了一个综合框架,通过基于对抗自编码器的病变生成器和软泊松融合算法,高效地生成用于训练脑部病变分割模型的新的逼真样本,并引入原型一致性正则化以实现真实和合成特征的对齐,验证表明该方法在两个公共脑部病变分割数据集上优于现有的数据增强方案。
Jun, 2024
本文探讨基于卷积神经网络(CNN)的分割解决方案,以提供多模式磁共振成像的快速,可靠的病变和灰质结构分割,重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能,并比较了其他方法的性能表现。
Jan, 2019
本研究提出了一种基于半监督学习的医学图像分割方法,该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据,并自动选择最佳的伪注释,进而在不需要全部标注的情况下,实现了分割模型在医学 3D 数据集上更好的性能,验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。
May, 2023
本文提出了一种基于卷积神经网络(CNN)的半监督学习方法:VideoSSL,用于视频分类,可以在只使用少量标注样本以及利用无标注数据的两种信号指导下,在 UCF101、HMDB51 和 Kinetics 三个公开数据集上实现出色的性能。
Feb, 2020
本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术,并在多个医学图像数据集上进行了验证和表现优于其他方法。
Feb, 2019
本文提出了一种利用半监督学习方法和贝叶斯深度学习进行医学图像分割的方法,改进了医学图像分割任务中,由于标记数据缺乏导致的训练深度学习方法所存在的问题,同时在视网膜层分割任务中表现出良好的性能。
Mar, 2021
本研究提出一种卷积神经网络和自监督学习的方法,用于在有限标记数据情况下进行高效的三维到二维分割,通过在临床相关任务中验证,证明该方法比现有技术在有限标记数据情况下显著提升了分割性能,并且自监督学习方法可以进一步提高性能,而且对于网络架构无关。
Jul, 2023
通过课程式策略和回归网络,基于不等式约束的半监督 CNN 分割技术在磁共振图像左心室分割方面的应用上,使用未标记的数据更高效地实现了分割网络,与标准的基于建议的半监督策略相比有着很有竞争力的结果,接近全监督的性能水平。
Apr, 2019
在这篇文章中,我们研究了在不完美数据和半监督学习的背景下,深度学习方法对脑血管分割的数据依赖性。具体来说,本研究比较了基于无监督正则化的各种半监督方法,并评估了它们在不同数量和质量数据场景中的性能。根据这些实验,我们提供了脑血管分割模型注释和训练的指南。
Apr, 2024
本研究使用卷积自编码器方法,通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病,性能远优于传统人工标注和现有自监督方法。
Nov, 2018