基于超像素导向的医学图像分割标签软化
该研究提出了一种基于超像素的分割学习方法,通过噪声感知训练和噪声标签改进相结合,利用其结构约束来提高分割标签的鲁棒性,实现在标签噪声范围内的有效学习
Jul, 2021
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021
本文探讨了超像素方法在肿瘤科学中的应用,并将其与其他方法进行了比较。评估结果表明,基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好,这为高效手动细化切片提供了支持。
Jan, 2022
本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型,该模型可以从相关的完全标记的疾病分割任务中利用有用的知识,以提高目标弱标记的病变分割任务的性能,其中包括提出了基于伪标签生成器的伪像素标签生成方法,并将同一类别的动态搜索特征中心在不同数据集间对齐。
Aug, 2019
本研究基于半监督度量学习方法,提出了四种对应关系来捕捉低 - level 图像相似性、语义标注、共现和特征亲和力。这些节点可以从任何部分注释的训练图像中以数据驱动的方式进行学习,因此,该模型不仅适用于弱监督分割中标记的像素,还适用于未标记的像素。
May, 2021
本文提出了一个像素级聚类框架,用于将图像分割成区域,而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割,以实现准确的无监督分割。此外,我们提出了一种训练策略,利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法,以避免由基于超像素的损失引起的过分分割。最后,我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验,我们证明了所提框架的有效性。实验结果表明,所提框架优于先前的最先进方法。
Oct, 2023
半监督语义分割领域伪标签方法的综述,从不同角度分类并介绍了特定应用领域的具体方法,还探讨了伪标签技术在医学图像分割中的应用,并提出了一些可行的未来研究方向来解决现有挑战。
Mar, 2024
本文提出了一种针对医学图像的新型自监督少样本分割方案,其中使用基于超像素的伪标签提供监督,采用自适应本地原型池化模块解决前景背景不平衡问题,并在三个不同的任务下测试,结果表明该方法优于传统需要手动注释的方法。
Jul, 2020
该研究提出了一种在医学图像中使用的半监督图像分割方法 SS-Net,利用像素级的平滑性和类间分离来实现更好的效果。该方法在两个半监督设置下的实验结果表明了其卓越性能,并取得了最新的最佳表现。
Mar, 2022