Apr, 2023

模型适应和集成的个性化多器官分割

PDF
TL;DR本文提出了一个新的基于模型适应和模型融合的双阶段方法，该方法利用现成的单器官分割模型来开发适用于目标数据集的多器官分割模型，从而消除了多器官分割中对有标注数据依赖的问题。实验结果表明，此方法可以有效地利用现成的单器官分割模型来获得高准确度的多器官分割模型。
multi-organ segmentationdeep learningoff-the-shelf modelsmodel adaptationmodel ensemble
发现论文，激发创造
  • 少脏器数据集下共训练加权平均模型的多器官分割

    本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

    Aug, 2020

  • 通过模型自我消歧来学习多源数据的多功能医学图像分割

    通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

    Nov, 2023

  • 腹部多器官和肿瘤分割的持续学习

    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

  • AnatoMix：面向多器官分割的解剖感知数据增强

    通过深度学习的数据增强策略，我们提出了 AnatoMix 方法，可以增加多器官分割数据集的泛化能力，从而在公共 CT 数据集上实现了更高的平均 Dice 值（76.1）与基准方法（74.8）相比。

    Mar, 2024

  • 标签高效的多器官分割方法与扩散模型

    本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

    Feb, 2024

  • 用于腹部计算机断层扫描的器官分割与肿瘤检测的通用可扩展的语言 - 视觉模型

    提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

    May, 2024

  • 利用多个二进制标记的数据集进行多器官分割

    本文提出了一种多器官分割模型的学习方法 -- 多教师单学生知识蒸馏（MS-KD）框架，并提出了一种区域监督方法，在多个单器官数据集上进行了广泛实验，证明了该框架的有效性。

    Aug, 2021

  • 多器官自监督对比学习用于乳腺病变分割

    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

  • 利用 Swinunter 进行 CT 腹部多器官分割

    应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

    Sep, 2023

  • 医学图像分割的两阶段多任务自监督学习

    医学图像分割使用深度学习技术取得了重大进展，然而医学应用中固有的数据稀缺性对深度学习的分割方法构成了巨大挑战。自监督学习通过从可用数据集中创建辅助学习任务，并利用解决这些任务获得的知识来更好地解决目标分割任务，提供了一种解决方案。本研究提出了一种两阶段训练方法，可以有效利用多个辅助任务创建多个出色的分割模型，然后将它们合并为一个更强大的模型。该方法在 X 光气胸分割数据集上训练了 U-Net 模型，并对几种现有方法进行了实验比较，结果表明了方法的优越性。

    Feb, 2024