探索半监督医学图像分割中的光滑性和类别分离性

Mar, 2022

探索半监督医学图像分割中的光滑性和类别分离性

Exploring Smoothness and Class-Separation for Semi-supervised Medical Image Segmentation

Yicheng Wu, Zhonghua Wu, Qianyi Wu, Zongyuan Ge, Jianfei Cai

TL;DR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。

Abstract

semi-supervised segmentation remains challenging in medical imaging since the amount of annotated medical data is often scarce and there are many blurred pixels near the adhesive edges or in the low-contrast regi

semi-supervised segmentation medical imaging ss-net pixel-level smoothness inter-class separation

发现论文，激发创造

自我监督语义分割：变换一致性

通过使用自监督算法 S³-Net 结合 Inception Large Kernel Attention（I-LKA）模块、可变形卷积和空间一致性损失项，本研究提出一种精确医学图像分割方法，并在皮肤病变和肺器官分割任务中展现了超越 SOTA 方法的卓越性能。

Aug, 2023

一种极其简单的一致性正则化半监督医学图像分割方法

本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

Feb, 2022

医学图像半监督分割中的变换一致自组织模型

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

超像素自监督训练：无需注释的少样本医学图像分割

本文提出了一种针对医学图像的新型自监督少样本分割方案，其中使用基于超像素的伪标签提供监督，采用自适应本地原型池化模块解决前景背景不平衡问题，并在三个不同的任务下测试，结果表明该方法优于传统需要手动注释的方法。

Jul, 2020

基于超像素引导的噪声标签迭代学习在医学图像分割中的应用

该研究提出了一种基于超像素的分割学习方法，通过噪声感知训练和噪声标签改进相结合，利用其结构约束来提高分割标签的鲁棒性，实现在标签噪声范围内的有效学习

Jul, 2021

SmooSeg: 无监督语义分割的平滑先验

无监督语义分割采用平滑先验作为能量最小化问题的范式，利用自监督学习方法建模观测之间的临近关系作为平滑性信号，通过平滑种子标签生成来优化观测和标签输出的拟合度，显著优于现有方法的像素准确性。

Oct, 2023

医学图像的形状感知半监督三维语义分割

本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

Jul, 2020

基于双任务一致性的半监督医学图像分割

本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

Sep, 2020

基于超像素导向的医学图像分割标签软化

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

学习从噪声标注中分割皮肤病变

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