关于有限标注的器官危及与肿瘤体积分割的分离式对比学习
放疗是治疗鼻咽癌的主要有效策略,精确划定肿瘤区域和风险器官对辐射治疗至关重要。最近,深度学习在医学图像分割任务中取得了有希望的结果。本文详述了 SegRap2023 挑战赛,并分析了所有参与者的解决方案。
Dec, 2023
本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题,提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性,并在公共数据集上评估所提出的解决方案,对比实验结果表明,互补任务学习的加入在 Dice 评分方面达到了显著改进.
Aug, 2019
该研究使用深度学习技术对头颈癌患者的 MRI 和 CT 扫描图像中的 30 种危及器官进行分割,达到了目前挑战赛的最佳水平,并在头颈危及器官自动分割方面创造了新的技术前沿。
May, 2024
本研究提出了一种新颖的对比学习框架,它将本地化区域对比技术(LRC)融入到现有的半监督自监督预训练方法中,以增强医学图像分割的性能。通过在三个多器官分割数据集上的大量实验,我们证明在受限注释的情况下将 LRC 集成到自监督方法中可以显著提高分割性能。此外,我们还表明 LRC 也可以应用于完全监督的预训练方法以进一步提高性能。
Apr, 2023
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
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
通过对多视图数据进行对比学习,我们提出了一种基于 U-Net 的三重编码器和单一解码器网络,tU-Net,可以充分利用未经注释的矢状和冠状视图,以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进,并且在缺少视图的情况下,提供了灵活性,表明通过对比学习来利用未经注释的多视图数据的可行性。
Aug, 2023
本研究提出了一种深度学习框架,用于在胸部 CT 图像中分割器官的关键部分,包括心脏、食管、气管和主动脉,该方法采用扩张卷积和聚合残差连接,在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络,取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。
May, 2019
SegReg 方法利用弹性对称标准化技术将 MRI 图像与 CT 图像进行配准,以实现器官处于危险区域的分割,通过结合 CT 的几何精确度和 MRI 的软组织对比度,使得精确自动的器官处于危险区域的分割成为可能。
Nov, 2023