Jun, 2022

用器官感知对比蒸馏引导半监督医学图像分割的自举学习

PDF
TL;DR本文提出了 ACTION 模型，它是一种半监督医学图像分割的鲁棒性框架，通过 contrastive distillation 算法及主动采样罕见的负例像素达到了更好的分割效果，并且可以应对医学图像标记分布不均的问题。实验表明，ACTION 显著优于现有半监督方法的效果。
contrastive learningmedical image segmentationimbalanced samplesanatomical featuressemi-supervised learning
发现论文，激发创造
  • ACTION++: 适应性解剖对比度提升半监督医学图像分割

    本文提出了一种基于自适应对比学习的半监督医学图像分割方法 - ACTION ++，通过计算最优类别中心的方法进行自适应的有监督对比损失，使用动态的温度来对长尾问题中的类别进行更好的分离，并在 ACDC 和 LA 数据集上验证其在两种半监督学习场景下的表现，证实了其在标注效率上的卓越性。

    Apr, 2023

  • 面向胎儿超声的解剖感知对比表示学习

    本文提出一种结合解剖学特征的对比学习方法，在不使用标注数据的情况下可从医学图像数据中学习出传递效果良好的视觉表征，具有在胎儿超声成像任务中的卓越表现并优于 ImageNet 监督学习和当前基于对比学习的最新方法。

    Aug, 2022

  • 从方差降低的角度再思考半监督医学影像分割

    本文提出了 ARCO 半监督对比学习框架，应用分层群组采样理论来改进医学图像分割任务的性能，理论证明采样技术对方差降低有普适性，实验在三个基准数据集上进行并与现有方法进行比较得到优异结果。

    Feb, 2023

  • 自监督动作识别的极度增广骨架序列对比学习

    本文提出了一种利用极端数据增强和丰富信息挖掘来改进运动表示学习的对比学习框架 (AimCLR)，通过大量实验得出了其在三个数据集上的显着优越性。

    Dec, 2021

  • 基于位置的对比学习用于体积医学图像分割

    文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

    Jun, 2021

  • SimCVD：简单的对比度体素表示蒸馏用于半监督医学图像分割

    本文提出了一种简单的对比去卷积 (SimCVD) 框架，旨在显著提高状态 - of-the-art 体素级表示学习。SimCVD 通过蒸馏配对相似，提升了分割准确性，可用于医学图像合成、增强和配准等下游任务中。

    Aug, 2021

  • 基于层次一致对比学习及增长增强的骨架动作识别

    本文提出了一种基于骨骼的行为识别的一般性逐层一致对比学习框架 (HiCLR)，并探索了使用强数据增强进行对比学习的潜力，同时提出了一个不对称损失以保证其鲁棒性，实验表明该方法在 NTU60、NTU120 和 PKUMMD 等三个大型数据集上优于现有技术。

    Nov, 2022

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020

  • 挖掘自身解剖：重新审视极少标注下的医学图像分割

    本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

    Sep, 2022

  • 自监督行为识别的部位感知对比学习

    提出一种基于关注机制的对比学习框架，用于骨架序列的表征学习，因为人体动作特征的语义区分常常由局部身体部位表示，如腿部或手部等，这对于基于骨架的动作识别是有优势的，并且该方法通过学习软注意力蒙版特征和生成大量的对比对来增强对局部特征相似性的学习，从而提高了基于骨架的动作表征的准确度。

    May, 2023