CVPRApr, 2020

自监督特征提取在三维轴突分割中的应用

PDF
TL;DR本文提出了一种基于自监督辅助任务的神经网络方法，可以自动追踪拟束状物结构在 3D 脑成像中的分支，从而实现对亚细胞级别下轴突的自动分割和分析。
axon tracingself-supervised learningneural networkautomated segmentationsubcellular resolution
发现论文，激发创造
  • 基于实例感知的无监督核分割学习

    本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

    Jul, 2020

  • 基于自监督图卷积网络应用于细胞图的组织脑图像中揭示皮层层次

    我们介绍了一种自我监督的方法，用于检测大脑皮层的 2D 尼氏染色的组织切片中的层次结构，该方法可以加速细胞构造分析，避免注释需求并推进跨物种研究。

    Nov, 2023

  • 医学影像的 3D 自监督方法

    本文提出了针对五种不同的自监督学习方法的三维版本，利用这些技术进行神经网络特征的学习，通过对三维图像的预处理，显著提高语义表示的精确性，从而在医学成像领域实现了数据效率、性能和收敛速度的提升，具有较高的竞争力和可扩展性。

    Jun, 2020

  • 基于深度神经网络的多发性硬化症病变和神经解剖分割

    本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

    Jan, 2019

  • 基于大规模合成神经影像数据集的 3D 卷积神经网络进行自监督预训练任务用于阿尔茨海默病分类

    通过评估几种无监督方法对大规模合成数据集进行预训练的特征提取器在下游阿尔茨海默病与认知正常之间的分类任务中达到了类似于使用真实数据的模型的性能，从而支持使用大规模合成数据进行预文本任务训练的可行性。

    Jun, 2024

  • 使用在自然图像上预训练的 2D 视觉 Transformer 增强 3D 神经元分割

    通过在大规模自然图像上预训练的 2D 视觉 Transformer 模型，初始化基于 Transformer 的 3D 神经元分割模型，建立了丰富的自然图像与稀有神经元图像之间的知识共享连接，以提高 3D 神经元分割的效能。

    May, 2024

  • MRI 中基底核分割的 3D 卷积神经网络：一项大规模研究

    本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

    Dec, 2016

  • 学习大规模神经元追踪的多模态体数据特征

    通过构建 FlyTracing 数据集和引入连接感知对比学习方法，本研究旨在降低人工工作量，减少电子显微镜数据中自动图像分割后的人工校对过程，并提出了一种有效的自动神经追踪方法。

    Jan, 2024

  • 利用魔方游戏自监督学习 3D 医学图像的特征

    本文提出了一种自我监督学习框架，使用 Rubik's cube recovery 为代理任务来预训练 3D 神经网络，以便从原始 3D 数据中学习平移和旋转不变特性，与从头开始训练相比，用预训练网络微调能够更好地提高 3D 深度学习网络在不使用额外数据的情况下对体积医疗数据集的准确性，这是第一篇关注 3D 神经网络的自我监督学习的工作。

    Oct, 2019

  • 自动三维血管中心线提取的混合表示学习

    提出了一种基于深度学习的自动血管提取方法，旨在解决 3D 卷积神经网络在处理 3D 医学图像时 “断排” 问题，该方法采用局部外观的卷积神经网络和全局几何的点云网络相结合，通过最短路径算法将提取的局部部分相连，实现了从 3D 医学图像中高效、自动地提取血管轮廓线的效果。

    Dec, 2020