学习从噪声标注中分割皮肤病变
本论文提出了一种有效的迭代学习框架,用于医学图像的噪声标签分类问题。具体而言,我们提出了一种在线不确定样本挖掘方法,以消除嘈杂标记的图像的干扰,接着,我们设计了一种样本重新加权策略,以保留正确标记难样本的有用性。我们的方法在皮肤病变分类任务中得到了很有希望的结果。
Jan, 2019
医学图像分割中标签噪声对深度神经网络(DNN)的性能产生显著影响。本文提出了一种新颖的马尔可夫模型用于分割带有噪声标注的图像,并通过标签校正方法逐步恢复真实标签。实验证明,我们的方法在合成和真实世界的噪声标注数据上优于当前最先进的方法。
Jul, 2023
本文研究了在存在噪声标注的情况下深度学习在分割任务中的学习动态,并发现网络在学习之初会优先适应清晰的像素级别标签,然后才会记忆错误的标注。针对这一现象,本文提出一种新的从噪声标注中进行分割的方法,利用两个关键元素:单独检测每个类别的记忆化阶段,以便自适应地纠正噪声注释,并增加一个正则化项以提高鲁棒性。该方法在医学成像分割任务中的性能优于标准方法,具有在 PASCAL VOC 2012 上实现最新的弱监督语义分割的噪声注释的鲁棒性。
Oct, 2021
本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法,该方法在三个公共医学影像分割数据集上表现良好,尤其是在注释数量较少且出现较大不一致性的情况下。
Jul, 2020
本文介绍了一种使用图像标签进行弱监督语义分割的模型,利用图像标注作为注意机制来识别图像中的语义区域,并描述了如何将此掩模生成策略纳入完全端到端可训练的过程中,其中网络同时学习对图像进行分类和分割,实验表明,利用生成的类特定掩模可以超越只使用图像标记的最新弱监督语义分割方法甚至某些利用额外监督或训练数据的模型。
Apr, 2018
医学图像分割 (MIS) 在医学图像分析中起着关键作用,目前主流的 MIS 方法基于深度神经网络 (DNNs),该方法主要训练医生生成的注释掩膜数据集,然而由于不同医生生成的注释掩膜可能存在差异,因此本文利用多专家注释来提高模型对新医生的适应性,并在 MRI 脑分割任务上进行了试验,结果表明,在只使用新医生提供的几个注释进行轻量级微调后,模型在新医生上的适用性可以得到有效增强。
Feb, 2024
使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络(CNN)的联合检测和分割框架,对皮肤病变进行准确和自动地划分,并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。
Aug, 2018
该研究提出了一种基于超像素的分割学习方法,通过噪声感知训练和噪声标签改进相结合,利用其结构约束来提高分割标签的鲁棒性,实现在标签噪声范围内的有效学习
Jul, 2021
本文探讨使用草图注释来训练医学图像分割网络的参数的训练策略,并在公共心脏(ACDC)和前列腺(NCI-ISBI)分割数据集上进行评估,结果表明,草图训练的网络与使用完整注释训练的网络相比,其 Dice 系数的下降仅为 2.9%(心脏)和 4.5%(前列腺)。
Jul, 2018