CVPRMar, 2019

卷积网络中的解剖先验用于无监督生物医学分割

PDF
TL;DR本文介绍了一种基于未配对分割影像的解剖学先验知识用于生物医学影像分割的生成概率模型，并通过卷积神经网络进行无监督训练来实现快速解剖学分割。在结构性脑磁共振成像分割的实验分析中，作者证明了运用解剖学先验能够有效提高卷积神经网络在体内结构分割中的性能，并在一些无标记的临床问题中为医疗成像技术提供了新的思路。
biomedical image segmentationanatomical regionsunsupervised learningconvolutional neural networksanatomical priors
发现论文，激发创造
  • 基于无监督深度学习的贝叶斯脑 MRI 分割

    本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。

    Apr, 2019

  • 解剖限制神经网络 (ACNN)：心脏图像增强和分割应用

    提出了一种新的训练策略，通过学习有关器官形状和位置的先验知识，将其应用于 CNN 中，以改善图像分析方法的性能，改进了 CNN 的分割效果，成功将其应用于心脏数据集并探讨了其在分类心脏病理学方面的应用。

    May, 2017

  • 具有先前知識的神經網路用於部分監督的多器官分割

    本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

    Apr, 2019

  • 基于先验损失的分割性能：基准测试

    本文建立了一个医学图像分割的基准，比较了四种先验损失函数的性能。结果表明，低级别的先验损失函数可以提高性能，而高级别的先验损失函数可以提高解剖可信度。

    Jan, 2022

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • 使用卷积神经网络学习高层先验知识进行语义分割

    本文提出了一种融合高层次信息以进行语义图像分割的卷积神经网络，使用三层生成结构包括高级编码，中级分割和低级图像进行全局信息分割，使用条件变分自编码器建立这三层之间的连接，提高了分割的精确度和性能。

    Nov, 2015

  • 挖掘自身解剖：重新审视极少标注下的医学图像分割

    本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

    Sep, 2022

  • 预训练神经网络能否检测解剖学？

    通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

    Dec, 2015

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • 基于深度卷积神经网络的医疗图像的解剖分类

    本研究提供了一种使用卷积神经网络（ConvNets）进行 CT 医学图像的器官或身体部位特异性解剖分类的方法，并演示了深度学习可用于训练非常可靠和准确的分类器，可进一步初始化计算机辅助诊断。

    Apr, 2015