DoDNet: 学习从多个部分标记的数据集中分割多个器官和肿瘤

Nov, 2020

DoDNet: 学习从多个部分标记的数据集中分割多个器官和肿瘤

DoDNet: Learning to segment multi-organ and tumors from multiple partially labeled datasets

Jianpeng Zhang, Yutong Xie, Yong Xia, Chunhua Shen

TL;DR本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和 / 或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器 - 解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet 更加高效，代码和数据集可在链接中获得。

Abstract

Due to the intensive cost of labor and expertise in annotating 3D medical images at a voxel level, most benchmark datasets are equipped with the annotations of only one type of organs and/or tumors, resulting in the so-called partially labeling issue. To address this, we propose a dynamic on-demand network (DoDNet) that learns to segment multiple organs and

3d medical images partially labeled datasets dynamic on-demand network multiple organs and tumors segmentation mots dataset

发现论文，激发创造

利用部分标记的数据进行多器官和肿瘤分割的学习

提出了一种基于 Transformer 模型的多动态分割网络 TransDoDNet，在多个部分标记的数据集上学习器官和肿瘤的分割，并创造了一个大规模的部分标记的多器官和肿瘤分割基准 MOTS，结果表明 TransDoDNet 在七项器官和肿瘤分割任务中性能优异。

Nov, 2022

基于多尺度 MPU-Net 的 3D 医学图像分割

本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

Jul, 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

MDNet：多解码器网络用于腹部 CT 器官分割

使用经过预训练的 MiT-B2 编码器和多个不同的解码器网络，MDNet 利用多尺度特征增强膨胀块连接不同部分的编码器，逐渐增加网络深度并精细化分割掩模，通过整合前面解码器的特征图丰富特征映射，利用前一个解码器的预测掩模进一步提供前景和背景区域的空间关注，从而高度精确地优化分割掩模。在肝肿瘤分割（LiTS）和 MSD 脾脏数据集上，MDNet 实现了 Dice 相似性系数（DSC）分别为 0.9013 和 0.9169，Hausdorff 距离分别为 3.79 和 2.26，凸显了 MDNet 捕捉复杂轮廓的精确性。此外，与其他基准模型相比，MDNet 具有更高的可解释性和稳健性。

May, 2024

标签高效的多器官分割方法与扩散模型

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024

一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

Nov, 2019

基于 Transformer 的跨模态肿瘤分割的图像级监督和自训练

我们提出了一种名为 MoDATTS 的新的半监督训练策略，用于处理自动医学图像分割中存在的模态遗传性问题，并通过图像转换和视觉转换器实现更准确的肿瘤分割。该模型在 CrossMoDA 2022 挑战中表现出优越的性能，并在 BraTS 2020 挑战数据集上显示出一致的改进。

Sep, 2023

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

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

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