OCT 分割的注释高效学习
我们的研究提出了一种自我监督的强大机器学习框架 OCT-SelfNet,用于使用光学相干断层扫描 (OCT) 图像检测眼部疾病,通过结合多个机构的数据集,采用两阶段训练方法(自我监督预训练和有监督微调),并基于 SwinV2 主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明,我们的方法在所有测试中均获得超过 77% 的 AUC-ROC 性能,而基线模型 Resnet-50 的性能不到 54%。此外,根据 AUC-PR 指标,我们的方法达到了 42% 以上的性能,相比基线模型的 33%,性能提升了至少 10%,这显示了我们方法的潜力和在临床设置中的实用性。
Jan, 2024
本研究提出了一种准确高效的神经网络,用于光相干断层扫描血管成像(OCTA)中视网膜血管的分割,通过在完整分辨率卷积网络中应用改进的循环 ConvNeXt 模块实现了与其他 SOTA 方法相当的准确性,且具有更少的参数和更快的推理速度(比 U-Net 轻 110 倍且快 1.3 倍),非常适合工业应用,同时构建了一个包含 918 个 OCTA 图像及其相应血管注释的新数据集,该数据集通过 Segment Anything Model(SAM)的协助进行半自动注释,极大地提高了注释速度,研究代码和数据集可从给出的 URL 获取。
Sep, 2023
本文提出了一种利用半监督学习方法和贝叶斯深度学习进行医学图像分割的方法,改进了医学图像分割任务中,由于标记数据缺乏导致的训练深度学习方法所存在的问题,同时在视网膜层分割任务中表现出良好的性能。
Mar, 2021
本文提出一种基于自监督预训练的医学图像分析深度学习训练策略,通过将不同扭曲应用于图像的随机区域,预测扭曲的类型和信息的损失,并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素,将该方法用于分割任务,能够提高 Dice 分数 20%。
Jul, 2022
本文提出了一种基于超像素指导的用于从弱标注中生成噪声标签的方法(PNS),以及一种基于 MTCL 的 Two-Stage Mean-Teacher-assisted Confident Learning(2SMTCL)方法,用于多类别 OCT 流体分割。实验结果表明,该方法在 OCT 流体分割以及标签去噪方面性能优秀,为眼科领域患者的诊断和治疗提供了高效、准确和实用的解决方案。
Jun, 2023
该研究提出了一种新的部分监督训练范式和权重转移函数,使得可以在仅有少量掩模注释的情况下,使用来自 Visual Genome 数据集的框注释和 COCO 数据集中 80 个类别的掩模注释,训练出可以检测和分割 3000 个视觉概念的 Mask R-CNN 模型,在 COCO 数据集上进行了实验评估。这是实现广泛理解视觉世界的目标实例分割模型的第一步。
Nov, 2017
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
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021
提出了一种基于自学习和单次学习的框架,用于 3D 医学图像分割,仅注释每个 3D 图像的一个切片以显著减少注释工作量并获得与完全监督方法相媲美的性能。
Sep, 2023