本研究提出了一种新的超像素标签软化方法来处理医学图像分割中的不确定性标注问题,将软化后的标签与硬标签一起用于训练分割模型,在 3D 和 2D 医学图像中均取得了相对于基线和对照方法的优异分割表现。
Jul, 2020
该研究提出了一个新的框架,可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络,使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释,使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素,实验表明,使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。
Jun, 2019
医学图像分割中标签噪声对深度神经网络(DNN)的性能产生显著影响。本文提出了一种新颖的马尔可夫模型用于分割带有噪声标注的图像,并通过标签校正方法逐步恢复真实标签。实验证明,我们的方法在合成和真实世界的噪声标注数据上优于当前最先进的方法。
Jul, 2023
本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法,该方法在三个公共医学影像分割数据集上表现良好,尤其是在注释数量较少且出现较大不一致性的情况下。
本文研究了在存在噪声标注的情况下深度学习在分割任务中的学习动态,并发现网络在学习之初会优先适应清晰的像素级别标签,然后才会记忆错误的标注。针对这一现象,本文提出一种新的从噪声标注中进行分割的方法,利用两个关键元素:单独检测每个类别的记忆化阶段,以便自适应地纠正噪声注释,并增加一个正则化项以提高鲁棒性。该方法在医学成像分割任务中的性能优于标准方法,具有在 PASCAL VOC 2012 上实现最新的弱监督语义分割的噪声注释的鲁棒性。
Oct, 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
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
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
提出了一种半监督分割的新方法,使用少量标记数据和对未标记图片与参考像素匹配的方式生成分割标记,可以减少标记工作量,提高现有方法的性能和鲁棒性。
Dec, 2021
通过在推理时间内优化随机初始化卷积神经网络(CNN),我们提出了一种无监督的超像素分割方法,通过 CNN 从单个图像生成超像素,无需任何标签,通过最小化提出的超像素分割目标函数来实现。我们的方法与许多现有方法相比有三个优点:(i)利用 CNN 的图像预先知识用于超像素分割,(ii)根据给定的图像自适应地改变超像素数量,(iii)通过将一个辅助成本增加到目标函数中来控制超像素的属性。我们在 BSDS500 和 SBD 数据集上定量和定性验证了我们方法的优势。
Feb, 2020