May, 2023

基于多层次关注力交叉蒸馏的半监督病理图像分割方法

PDF
TL;DR本研究提出了一种基于多个注意力互相关联的交叉蒸馏的半监督学习方法，称为交叉多个注意力半监督学习 (CDMA)，应用于病理图像的分割中，该方法使用一个多重注意力三支网络 (MTNet) 和交叉解码器知识蒸馏 (CDKD)。实验研究表明，该方法在不同注释比率下优于其他八种现有的半监督学习方法。
pathological imagessemi-supervised learningcdmamtnetcross decoder knowledge distillation
发现论文，激发创造
  • 利用在线互相知识蒸馏实现跨模态医学图像分割

    本文提出了一种利用形状先验知识和图像对齐模块，通过多模态数据协同分割医学图像的方法，并通过实验在 MMWHS 2017 数据集上验证了该方法在 CT 分割上的优越性。

    Oct, 2020

  • 基于多任务关注机制的半监督学习在医疗图像分割中的应用

    该研究提出了一种新颖的半监督图像分割方法，该方法同时优化了监督分割和无监督重建目标，并使用了注意机制。使用未标记的和少量标记的图像进行训练，该方法在大脑肿瘤和白质高信号分割等应用中表现优异。多次尝试后，发现交替训练比联合训练成本更低且性能更好，同时，该注意力机制有助于更好地识别深层次图像特征。

    Jul, 2019

  • 深度半监督知识蒸馏用于重叠宫颈细胞实例分割

    本文提出了一种基于深度学习的半监督知识蒸馏方法，通过标注和未标注的数据进行数据训练，建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明，该方法相对于只学习标注数据的监督方法和最先进的半监督方法，显著提高了性能。

    Jul, 2020

  • Dcl-Net: 双对比学习网络用于半监督多器官分割

    我们提出了一个双对比学习网络，在半监督多器官分割中利用全局和局部对比学习加强图像和类别之间的关系。在第一阶段，我们开发了一个基于相似度引导的全局对比学习来探索图像之间的隐含连续性和相似性，并学习全局上下文。然后，在第二阶段，我们提出了一个器官感知的局部对比学习来进一步吸引类别表示。为了减轻计算负担，我们引入了一个掩码中心计算算法，用于压缩局部对比学习的类别表示。我们在公共的 2017 年 ACDC 数据集和内部的 RC-OARs 数据集上进行的实验证明了我们方法的优越性能。

    Mar, 2024

  • DHC: 双修正异构协同训练框架用于类别不平衡的半监督医学图像分割

    提出一种新颖的双消除偏见异构协同（DHC）框架，用于半监督 3D 医学图像分割，该框架通过两种损失加权策略（DistDW 和 DiffDW）动态利用伪标签引导模型解决数据和学习偏差，并且通过协同训练两个准确的子模型显著提高，实验结果表明我们的方法克服了类别不平衡问题，优于当前的半监督学习方法，在更具挑战性的半监督设置中显示出潜力。

    Jul, 2023

  • 跨对抗本地分布正则化的半监督医学图像分割

    通过引入新的交叉对抗局部分布（Cross-ALD）正则化方法，进一步增强医学图像半监督分割任务中的平滑性假设，本文在公共 LA 和 ACDC 数据集上进行了全面的实验，并取得了最先进的性能。

    Oct, 2023

  • 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

  • KDAS3: 基于注意力监督和对称结构引导的结直肠息肉分割的知识蒸馏

    通过知识蒸馏、注意力监督和对称引导方法，实现从较大的教师模型向更小的学生模型进行知识转移，达到近似于最先进方法的竞争性结果。

    Dec, 2023

  • 基于互模态重构和特征投影网络的自监督学习用于高效标签 3D 到 2D 分割

    本研究提出一种卷积神经网络和自监督学习的方法，用于在有限标记数据情况下进行高效的三维到二维分割，通过在临床相关任务中验证，证明该方法比现有技术在有限标记数据情况下显著提升了分割性能，并且自监督学习方法可以进一步提高性能，而且对于网络架构无关。

    Jul, 2023

  • CrossMatch: 强化半监督医学图像分割的扰动策略和知识蒸馏

    CrossMatch 是一种新颖的框架，通过与双扰动策略（图像级和特征级）结合使用知识蒸馏技术，从标记和未标记数据中提高模型的学习能力，通过生成多样化的数据流进行自知识蒸馏，从而在医学图像分割中显著优于其他最先进的技术，在标准基准测试中有效地缩小训练差距，提高边缘精度和泛化性能。

    May, 2024