通过图像对齐的样式变换实现脑组织的强一致性分割
通过镜像处理输入图像,利用注册错误来增强 StyleSeg V2 的对称性,使分割模型能够使用正确对齐的未标记图像区域,并根据注册错误加权局部变换强度,从而提高风格转换变形的保真度。
May, 2024
StyleSegor 是一种有效且易于使用的策略,通过神经样式传输算法对未标记的数据进行处理,应用概率调整和集成学习,以提高医学图片分割问题的准确性和泛化能力,尤其是在高度不一致数据方面。
Sep, 2019
本文提出了一种基于正反向一致性的循环对应学习设计,将一次性分割方法作为传统的基于图谱的分割问题来处理,从而使标签可以通过学习实现自动转移。该方法在医学图像分割中表现优异。
Mar, 2020
本文提出了一种基于双标准化模型的,借助源域中类似和不类似的图像数据在目标域中进行通用分割的方法,旨在解决跨模态分割中不同领域之间的特征差异问题,并在 BraTS、Cross-Modality Cardiac 和 Abdominal Multi-Organ 等公共领域数据集上进行实验和测试,表明此方法优于其他最先进的领域泛化方法。
Dec, 2021
本文提出了一种数据增强方法,使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像,以帮助改进仅利用极少标记数据的医学影像分割性能,同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。
Feb, 2021
本文研究了神经影像数据中的一次性联合提取、配准和分割问题,提出了一种统一的端到端框架 JERS,它利用一个标记的模板图像和一些未标记的原始图像进行训练,通过自监督相互增强来优化提取、配准和分割任务。实证结果表明,我们提出的方法在提取、配准和分割任务中表现出色。
Jul, 2023
设计了一种新颖的分离的基于潜在能量的风格翻译(DLEST)框架,用于未配对的图像级 MRI 协调,包括(1)无场地相关图像生成(SIG),(2)场地特定风格翻译(SST)和(3)场地特定 MRI 合成(SMS)。
Feb, 2024
我们提出了一种基于神经风格迁移的一次学习方法,用于医学影像的谐调化,以防止医学成像中的幻觉,并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据,成为现实世界医学应用的宝贵工具。
Aug, 2023
我们提出了 Atlas-ISTN 框架,它可以共同学习 2D 和 3D 图像数据的分割和配准,并在过程中构建以人口为基础的地图集。Atlas-ISTN 还优于分割和注册基线模型,提供了结构的跨主体对应性,实现了人口级的形状和运动分析。
Dec, 2020
该研究提出了一种自动化数据增强方法,用于合成标记的医学图像,该方法可用于磁共振成像(MRI)的脑部扫描分割任务。该方法利用半监督方法,从未标注的扫描中学习图像变换模型,并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法,有明显的改进。
Feb, 2019