Jan, 2022

基于先验损失的分割性能：基准测试

PDF
TL;DR本文建立了一个医学图像分割的基准，比较了四种先验损失函数的性能。结果表明，低级别的先验损失函数可以提高性能，而高级别的先验损失函数可以提高解剖可信度。
convolutional neural networksmedical image segmentationprior-based lossesanatomical plausibilitybenchmark
发现论文，激发创造
  • 卷积网络中的解剖先验用于无监督生物医学分割

    本文介绍了一种基于未配对分割影像的解剖学先验知识用于生物医学影像分割的生成概率模型，并通过卷积神经网络进行无监督训练来实现快速解剖学分割。在结构性脑磁共振成像分割的实验分析中，作者证明了运用解剖学先验能够有效提高卷积神经网络在体内结构分割中的性能，并在一些无标记的临床问题中为医疗成像技术提供了新的思路。

    Mar, 2019

  • 基于持续同调的深度学习图像分割的拓扑损失函数

    提出了一种使用持久同调来训练神经网络在图像和体积分割中实现拓扑先验知识的方法，不需要地面真实标签，通过三个实验展示了该方法的有效性，将这种显式先验知识嵌入到神经网络分割任务中是最有益的。

    Oct, 2019

  • 基于持久同调的拓扑损失函数用于心脏 MRI 多类别 CNN 分割

    通过持续同源性，在所有可能的标签和标签对的基础上，构建拓扑损失函数，提高对于全局特征的分割性能，解决了数据集中的所有拓扑错误。

    Aug, 2020

  • Combo Loss: 处理多器官分割中的输入和输出不平衡

    本文介绍了一种基于新的课程学习的损失函数来处理深度多器官分割网络中的输入和输出不平衡问题，并在三个数据集上进行了实验，结果表明，该网络架构可以优于现有的技术。

    May, 2018

  • 医学图像分割中的先验知识：一项调查

    本文综述了应用于不同分割框架中的不同类型的先验知识，重点介绍了将先验信息纳入其框架的基于优化的方法，并根据使用的先验知识类型对现有工作进行了分类。研究人员可以通过我们的互动在线数据库更新其研究领域。此外，我们还讨论了能量函数设计的不同方面、存在的问题和未来的前景。

    Jul, 2016

  • 语义分割时代的损失函数：调查与展望

    本综述系统地评估了用于图像分割的 25 种损失函数，并提出了分类法和评估方法，以帮助研究人员找到适用于其应用的最佳损失函数。对医疗和自然图像数据集进行了中立评估，并指出了当前挑战和未来研究机会。

    Dec, 2023

  • 具有先前知識的神經網路用於部分監督的多器官分割

    本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

    Apr, 2019

  • 使用卷积神经网络学习高层先验知识进行语义分割

    本文提出了一种融合高层次信息以进行语义图像分割的卷积神经网络，使用三层生成结构包括高级编码，中级分割和低级图像进行全局信息分割，使用条件变分自编码器建立这三层之间的连接，提高了分割的精确度和性能。

    Nov, 2015

  • PriorNet：包含肿瘤先前出现信息的 PET-CT 病变分割

    本研究提出一种基于 U-Net 架构的 PET-CT 肿瘤分割方法，通过先生成肿瘤外观先验图进行改进，可以得到平均 Dice 分数达到 0.701 的良好肿瘤分割结果。

    Oct, 2022

  • 语义分割的距离图损失惩罚项

    本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

    Aug, 2019