Sep, 2019

神经风格迁移改进不一致数据下的三维心血管 MR 图像分割

PDF
TL;DRStyleSegor 是一种有效且易于使用的策略，通过神经样式传输算法对未标记的数据进行处理，应用概率调整和集成学习，以提高医学图片分割问题的准确性和泛化能力，尤其是在高度不一致数据方面。
medical image segmentationdeep neural networksgeneralizationneural style transferensemble learning
发现论文，激发创造
  • 风格迁移和自监督学习驱动的心肌梗死超分辨率分割

    该研究提出了一个流程，结合了一种新颖的风格转换模型和同时进行超分辨率和分割的模型，旨在提高扩散张量成像（DTI）图像通过将其转换成提供具有高分辨率和明显突出心肌梗塞（MI）区域的大量数据的晚期钆增强（LGE）领域。

    Sep, 2023

  • 深度学习中的医学图像分割实现跨维度迁移学习

    本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法，该方法基于权重转移和维度转移的两个关键原则，实验证明其在多维医学图像分割方面表现出色。

    Jul, 2023

  • 通过样式增强和双重归一化实现通用交叉模态医学图像分割

    本文提出了一种基于双标准化模型的，借助源域中类似和不类似的图像数据在目标域中进行通用分割的方法，旨在解决跨模态分割中不同领域之间的特征差异问题，并在 BraTS、Cross-Modality Cardiac 和 Abdominal Multi-Organ 等公共领域数据集上进行实验和测试，表明此方法优于其他最先进的领域泛化方法。

    Dec, 2021

  • STaDA: 基于样式迁移的数据增强方法

    本研究评估了采用神经风格转换作为数据增强方法对图像分类任务的有效性，并在 Caltech 101 和 Caltech 256 数据集上获得了大约 2％的准确度提高。同时，还将神经风格转换方法与传统数据增强方法相结合，进一步提高了图像分类的性能。这项工作展示了神经风格转换在计算机视觉领域的潜力，例如帮助我们减轻收集足够标记数据的难度并提高通用基于图像的深度学习算法的性能。

    Sep, 2019

  • 通过图像对齐的样式变换实现脑组织的强一致性分割

    通过图像对齐的样式转换，将双模型迭代学习强化以实现强大的大脑组织一次分割，并保证空间对应关系的正确性

    Nov, 2022

  • 基于双向 RNN 的 3D 医学图像分割少样本学习

    本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

    Nov, 2020

  • 基于深度学习与空间传播的心脏图像三维一致且鲁棒的分割

    本文提出了一种基于深度学习的方法，通过 U-net 网络和 3D consistency 技术，从 MRI 图像中实现心脏分割，结果表明该方法能够提高空间一致性，具有很好的泛化能力。

    Apr, 2018

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    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

  • 脑肿瘤分割的处理和迁移学习的优化框架

    基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

    Feb, 2024

  • 神经立体图像风格迁移

    本文提出了一种新颖的双通路神经网络，旨在解决立体图像的风格转移的问题，该方法通过特征聚合策略在两条路径之间共享信息，利用多层视图损失强制实现双视图一致性，实验表明该方法相比之前的方法表现更好。

    Feb, 2018