Dec, 2020

自监督学习放射学图像像素级解剖嵌入

PDF
TL;DRSelf-supervised Anatomical eMbedding (SAM) is introduced to extract semantic embeddings for imaging pixels with intrinsic structures, which can be used to locate body parts in other images by nearest neighbor searching, surpassing supervised methods trained on 50 labeled images with only one labeled template image and being effective in improving image registration and initializing CNN weights.
发现论文，激发创造
  • SAM++: 利用语义信息和结构推理增强解剖匹配

    SAM++ 是一个能够在医学图像中学习外观和语义嵌入的框架，其固定点匹配机制能够克服原来方法中的一些限制，并取得了比现有方法更好的结果。

    Jun, 2023

  • SAMv2: 统一的外观、语义和跨模态解剖嵌入学习框架

    基于自我监督解剖嵌入（SAM）的 SAMv2 是一个统一的框架，通过学习外观、语义和跨模态的解剖嵌入，克服了医学图像分析中的挑战，提供了一种在基于标志点的医学图像分析任务中表现优异的方法。

    Nov, 2023

  • 野外匹配：学习用于多模态图像的解剖嵌入

    为了解决不同 FOV 的图像对齐问题，本文提出了一种名为 Cross-SAM 的新方法，该方法利用嵌入学习和 CT-MRI 注册的迭代过程，以实现跨模态匹配，并在 CT-MRI 仿射注册数据集上表现出鲁棒性，明显优于其他方法，达到了最先进的性能。

    Jul, 2023

  • SAME++：一种自监督的解剖学嵌入增强的医学图像配准框架，利用稳定采样和正则化转换

    我们介绍了一种快速而准确的无监督三维医学图像配准方法，利用自我监督的解剖嵌入（SAM）算法在像素级别计算两幅图像之间的密集解剖对应关系，并通过提供更为一致的对应关系和更好的语义引导特征来增强配准步骤，从而显著优于基于数值优化的方法。

    Nov, 2023

  • SemiSAM：探索 SAM 以提升极少标注的半监督医学图像分割

    通过将 Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

    Dec, 2023

  • 基于 3D 全身 CT 扫描的全面、高效和可预警解剖结构分割模型

    本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

    Mar, 2024

  • 强化形态学引导的 CAM-Guided SAM 用于乳腺病灶弱监督分割

    通过成像学和形态学的相结合，我们提出了一种新的方法，在早期乳腺超声图像中进行弱监督病变分割，其性能超过了依赖像素级注释的监督学习方法。

    Nov, 2023

  • 面向粒度调整的像素级语义标注

    提供了一种在未标记数据上进行用户定义粒度层次的语义分割的方法，通过累积全局语义信息并学习映射函数，使得带有粒度调整的语义识别的 Segment Anything Model（SAM）能够用于像素级语义注释，实验结果在 PASCAL VOC 2012 和 COCO-80 数据集上分别比现有最先进方法的 mIoU 提高了 17.95% 和 5.17%。

    Dec, 2023

  • 自监督学习中的解剖不变建模与语义对齐在三维医学图像分割中应用

    本研究提出了一种新的自我监督学习框架 ——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了 3D 医学图像分割下的性能表现，超过之前的同类方法。

    Feb, 2023

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019