Mar, 2020

LT-Net: 一种通过学习可逆的体素对应关系实现一次性医学图像分割的标签转移方法

PDF
TL;DR本文提出了一种基于正反向一致性的循环对应学习设计，将一次性分割方法作为传统的基于图谱的分割问题来处理，从而使标签可以通过学习实现自动转移。该方法在医学图像分割中表现优异。
one-shot segmentationmedical imagesatlas-based segmentationforward-backward consistencycycle-correspondence learning
发现论文，激发创造
  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • DeepATLAS：针对生物医学数据的一次性定位

    本文介绍了 DeepATLAS 的基础模型，用于高维生物医学数据中的定位任务。通过自监督目标的收敛，预训练模型将输入映射到解剖一致的嵌入空间，从而可以用一次或少量迭代的方法识别任何点或点集（例如，盒子或分割）。在经过全面训练的 DeepATLAS 模型上，基于超过 50 个解剖结构的四个外部测试集表现出高的一次分割性能，匹配或超过了标准的监督学习模型的性能。通过添加少量的有标签数据，可以进一步提高准确性，使用半监督或更常规的微调策略。

    Feb, 2024

  • 基于标签驱动的弱监督学习用于多模态变形图像配准

    采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

    Nov, 2017

  • 建模未标记数据的概率分布，用于一次性医学图像分割

    本文提出了一种数据增强方法，使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像，以帮助改进仅利用极少标记数据的医学影像分割性能，同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。

    Feb, 2021

  • 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

  • OneSeg: 基于自学习和单次学习的用于 3D 医学图像分割的单切片标注

    提出了一种基于自学习和单次学习的框架，用于 3D 医学图像分割，仅注释每个 3D 图像的一个切片以显著减少注释工作量并获得与完全监督方法相媲美的性能。

    Sep, 2023

  • 基于变换一致性学习的半监督医学图像分割

    本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

    Nov, 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

  • AdLER：基于标签错误校正的对抗训练方法用于一次性医学图像分割

    我们提出了一种新的医学图像一次性分割方法，采用对抗训练和标签错误矫正，以增强生成数据的多样性和改进分割性能。实验结果表明，该方法在分割中的 Dice 分数上优于现有最先进方法。

    Sep, 2023

  • 自监督与混合监督提升多类医学图像分割训练标签

    通过使用双分支网络和迁移学习相结合的方式，该研究的主要目标是自动改进多类别图像分割的训练标签，实验证明了该方法的有效性。

    Mar, 2024