Jul, 2020

局部监督多器官分割的边际损失和排他损失

PDF
TL;DR本文研究了如何从多个未完全标记的医学影像数据集联合学习一个多器官分割网络，并提出了适用于这种情况的两种新的损失函数（边际损失和排斥损失），实验证明使用我们提出的新损失函数可以显著提高现有方法的性能，而不引入任何额外的计算。
medical imagesmulti-organ segmentationloss functionbenchmark datasetsperformance improvement
发现论文，激发创造
  • Combo Loss: 处理多器官分割中的输入和输出不平衡

    本文介绍了一种基于新的课程学习的损失函数来处理深度多器官分割网络中的输入和输出不平衡问题，并在三个数据集上进行了实验，结果表明，该网络架构可以优于现有的技术。

    May, 2018

  • 少脏器数据集下共训练加权平均模型的多器官分割

    本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

    Aug, 2020

  • 医学图像分割的边界差异联合损失

    医学图像分割关键在于边界区域的准确性，本文提出了一种简单有效的损失函数用于边界区域分割，并通过实验验证了其有效性。

    Aug, 2023

  • UniMOS: 一种用于标签约束数据集的多器官分割的通用框架

    UniMOS 是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架，其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明，与其他先进方法相比，该框架在多个医学图像分割任务中表现出色，同时显著提高了数据利用率并降低了标注成本。

    Nov, 2023

  • 腹部多器官和肿瘤分割的持续学习

    本文提出了一种用于连续器官和肿瘤分割任务的创新结构，包括一系列轻量级的、类特定的输出头，以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。

    Jun, 2023

  • 具有先前知識的神經網路用於部分監督的多器官分割

    本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

    Apr, 2019

  • 模型适应和集成的个性化多器官分割

    本文提出了一个新的基于模型适应和模型融合的双阶段方法，该方法利用现成的单器官分割模型来开发适用于目标数据集的多器官分割模型，从而消除了多器官分割中对有标注数据依赖的问题。实验结果表明，此方法可以有效地利用现成的单器官分割模型来获得高准确度的多器官分割模型。

    Apr, 2023

  • 利用多个二进制标记的数据集进行多器官分割

    本文提出了一种多器官分割模型的学习方法 -- 多教师单学生知识蒸馏（MS-KD）框架，并提出了一种区域监督方法，在多个单器官数据集上进行了广泛实验，证明了该框架的有效性。

    Aug, 2021

  • 多器官自监督对比学习用于乳腺病变分割

    利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

    Feb, 2024

  • 挖掘自身解剖：重新审视极少标注下的医学图像分割

    本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

    Sep, 2022