医学图像分割深度学习方法的自动设计
本文旨在利用 Pytorch 从零开始实现 UNet 模型并在多个生物医学图像数据集上评估其性能,另外,我们使用迁移学习将修改后的 UNet 分割模型应用于生物医学图像数据集,发现迁移学习模型在图像分割方面表现更为优异。
May, 2023
该研究介绍了基于深度学习的自动化脑肿瘤分割技术,利用 3D U-Net 模型,通过大规模的脑 MRI 扫描数据集进行分割,并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效,为临床实践提供有价值的支持。
Apr, 2024
本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架,用于医学影像分割任务,其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。
Sep, 2018
研究介绍了一个简单而彻底评估的深度学习框架,应用于任意医学图像体的分割,同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集,排除了模型选择的过程和方法级别的过拟合。此外,使用多平面数据增强,结合了一个基于常见 U-Net 的 2D 架构,让 2D 模型学习表示 3D 图像体的表示方法,从而提高了泛化性能。
Nov, 2019
在这篇论文中,我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点,并在两个基准数据集(结核病胸部 X 射线和卵巢肿瘤)上定量评估了它们的性能。最后,我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。
Aug, 2023
本文提出了一种基于策略梯度强化学习的超参数自动优化算法,旨在针对医学图像分割任务设计神经网络结构,并提出了一种密集连接编码器 - 解码器 CNN 作为强基线架构,结果表明该算法的计算成本低且效果显著达到了同领域最先进水平。
Jul, 2018
本文综述了使用 U-Net 及其变体进行医学图像分割的技术。医学图像的非侵入性诊断需要准确的分割图像。本文也概述了医学图像分割的发展、深度神经网络的优缺点以及不同混合体系结构的建立。最后提出了当前的挑战和未来的发展方向。
Apr, 2022
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
通过探索深度学习模型在医学图像分割中的应用,特别关注 UNet 架构及其变体,本研究评估了这些模型在各种挑战性医学图像分割任务中的表现,并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示,经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型;而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外,本研究还着重解决高类别不平衡问题,通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解,并为其实施提供指导和最佳实践。
Sep, 2023