半监督三维左心房分割的不确定性感知自组装模型
本文提出了一种简单而高效的竞争集成教师学生框架,用于从 3D MR 图像中半监督地分割左心房,通过利用无标记数据并提供可靠信息给教师模型,以实现不同学生模型之间的协作学习并达到更好的性能。通过在公开 Left Atrium(LA)数据集上评估,我们的方法在有效利用无标记数据方面取得了显著的性能提升,并优于几种现有的半监督方法。
Oct, 2023
提出了一种基于 MC-Net 的半监督学习算法,通过设计的循环伪标签方案,利用未标记数据强化了训练过程,从而提高了心房图像分割性能。与其他半监督方法相比,该算法在公共数据集上表现出更好的性能。
Mar, 2021
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
我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法,最终纠正错误的预测结果,通过有针对性的验证训练过程识别不一致预测的区域并进行微调,从而提高上下文信息的利用;此外,为了自适应地调整网络的表示能力并降低预测不确定性,我们采用了自监督对比学习范式,利用网络的置信度区分可靠和不可靠的预测,并训练模型有效地最小化不可靠的预测;我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割,与最先进的方法相比,证明了我们方法的有效性。
Nov, 2023
本文提出了一种基于多视角一致性的 3D 数据协同训练新框架,利用不同子网络的多样化特征来扩展协同训练,采用基于贝叶斯深度学习的不确定性加权标签融合机制来估计每个视图预测的可靠性,并通过自适应方法计算每个未标注样本的置信度,它在临床图像处理领域的效果得到了验证。
Nov, 2018
本论文提出了一种基于深度学习的图像分割框架 UMCT,通过协同训练和利用未标注数据来实现半监督和无监督领域自适应的任务,实现针对大量未标注数据的高效分析处理和标注,获得了半监督医学影像分割方面的最佳表现,并成功将模型应用于医学影像解剖结构的领域自适应。
Jun, 2020
该研究介绍了一种基于深度学习技术的左心房三维超声图像分割方法,结合了左心房形状和影像设备的先验知识,实验结果表明该方法能够提高分割准确度,能够帮助预测和发现各种心血管疾病。
Apr, 2018
在半监督医学图像分割领域,如何从未标记的图像中有效学习图像特征以提高分割的准确性是研究的主要方向之一,本文基于自我训练框架,通过添加样本级别和像素级别的不确定性来稳定训练过程,即有选择地重新训练未标记的样本并为伪标签分配像素级别的不确定性来优化自我训练过程,实现了更好的分割性能。
Apr, 2023
通过利用全局信息来估计分割不确定性的一种新方法,该方法首先学习了一个解剖感知的表示,然后将新分割的预测映射为一个解剖上可信的分割,借助于与可信分割的偏差,估计底层像素级不确定性以进一步指导分割网络,该方法仅使用一次推断从我们的表示中估计不确定性,从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性,以两个常用的评估指标衡量。
Oct, 2023