Jun, 2020

领域转移医学图像分割中的交叉去噪网络抵抗被污染标签

HTML
PDF
TL;DR提出了一种新的鲁棒性交叉去噪框架，使用两个同等网络进行相互监督来解决医学图像中常见的域移位和损坏标签问题，并且引入了一个噪声宽容性损失和一个最有信心预测的类不平衡交叉学习，以减少累积误差，实验结果显示该方法优于现有技术。
发现论文，激发创造
  • 3D生物医学分割的联合序列学习和跨模态卷积

    本文提出了一个基于深度神经网络的编码器-解码器结构，包含跨模态卷积层以整合不同模态的 MRI 数据和卷积 LSTM 以建模 2D 切片序列，通过加权和两阶段训练来处理标签失衡，并在 BRATS-2015 数据集上实验表明超越了现有的生物医学分割方法。

    Apr, 2017

  • 使用对抗性损失对卷积神经网络进行生物医学图像分割的无监督跨模态域自适应

    本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用MRI图像训练的卷积神经网络适应非配对的CT数据来进行心脏结构分割，取得了良好的结果。

    Apr, 2018

  • 通过分离的表示进行无监督域自适应：应用于跨模态肝脏分割

    通过训练深度学习模型将CT图像的肝脏分割模型迁移到MRI图像分割任务中，通过领域自适应方法中的分解表示方法，我们将一个域中的图像映射到共享内容空间和特定样式空间中，这使得我们在多模式医学图像领域实现了高精度的肝脏分割。

    Jul, 2019

  • 联合去噪和分割

    提出了一种名为DenoiSeg的方法，该方法可以在只有很少标注的分割数据的情况下通过噪声优化嵌入式自我监督流程来训练物体分割模型，从而实现高质量分割且不需要大量标注数据的目标。

    May, 2020

  • 基于因果推断的医学图像分割单源领域泛化

    本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

    Nov, 2021

  • 用交叉监督的双分类器进行半监督医学图像分割

    本文提出一种基于双分类器（DC-Net）的交叉监督学习框架，包括证明分类器和香草分类器，各具特色，能够有效处理分歧，并为无标签数据生成更稳健和准确的伪标签，同时将证明分类器的不确定估计结合到交叉监督训练中以减轻错误监督信号的负面影响，试验证明该方法优于其他半监督分割的最新研究成果。

    May, 2023

  • 交叉头部互惠式半监督医学图像分割

    用 CMMT-Net 方法解决半监督医学图像分割中的标签预测准确性、噪声以及信息过度拟合等问题，并在公开数据集上显著优于现有方法。

    Oct, 2023

  • 从降噪训练到测试时间自适应：增强医学图像分割的领域通用性

    通过将辅助降噪解码器纳入基本的 U-Net 结构中，我们提出了自去噪 Y-Net (DeY-Net) 这一全新方法，该方法利用自我监督学习范式以减少对源域的过拟合，提高域泛化能力，并且可以利用未标记的数据，通过进一步适应目标域和噪声污染输入的方式，我们还提出了自去噪测试时间适应 (DeTTA)。广泛的实验表明，与其他方法相比，我们的方法在广泛应用的肝脏分割基准测试中取得了显著的领域泛化改进和先进结果。

    Oct, 2023

  • 医学图像分割中的干净标签解缠

    当前的医学图像分割方法中存在着错误的标注，而现有的研究都未解决干净标签解藕的问题。本研究提出一种简单而高效的类平衡采样策略，用于应对类不平衡问题，并将此方法扩展到噪声特征辅助的干净标签解藕框架，实现从标签集中选择干净标签，并更好地学习语义信息。实验证明了该方法的有效性，并取得了新的最优性能。

    Nov, 2023

  • 通过噪声感知学习实现多伪标签下的准确视盘和杯盘分割

    通过使用多伪标签噪声感知网络的创新标签去噪方法，本研究提出了准确识别光盘和杯子分割的方法，通过从伪标签中生成的像素级一致信息，提取干净像素和噪声像素之间的区别，有效改善了模型的性能。与其他标签去噪方法相比，在RIGA数据集上进行的全面实验结果显示本方法具有出色的性能和显著的去噪能力。

    Nov, 2023