May, 2023

利用空间和尺度不确定性感知网络对生理结构进行拉长分割

PDF
TL;DR提出了一种空间和尺度不确定性感知网络（SSU-Net），它可以应对生理结构中的语义歧义区域，从而提高了分割的准确性和鲁棒性。实验结果表明，与同类基于不确定性的方法相比，SSU-Net 具有更高的分割性能。
segmentationphysiological structuresspatial uncertaintyscale uncertaintyhierarchical predictions
发现论文，激发创造
  • 拓扑感知图像分割的不确定性

    本文利用拓扑数据分析的工具，提出了一种通过预测模型估计人工标注结构的不确定性的方法，该方法可以提高结构图的准确度并减少标注时间。

    Jun, 2023

  • 医学图像分割网络的层次化不确定性估计

    建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

    Aug, 2023

  • 基于图像级回归的不确定性感知视网膜图像分割

    将视网膜图像分割任务视为图像级回归，通过引入 SAUNA 变换和广义的 Jaccard 度量损失训练 U-Net 模型，在 5 个视网膜图像数据集上优于最近发表的方法。

    May, 2024

  • 随机分割网络：建模空间相关的不确定性

    本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs 通过对数 it 空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs 表现出更好的表现.

    Jun, 2020

  • 面向半监督医学图像分割的一致性感知不确定性估计

    本文提出一种新的半监督医学图像分割模型 CoraNet，基于我们的不确定性估计和分离自我训练策略，通过估计不确定性来提高分割结果的一致性，与现有技术相比，我们的方法表现更优，并对其与传统不确定性估计方法进行了分析和比较。

    Oct, 2021

  • 基于结构的深度学习在解剖尺度上的不确定性分析：白质病变分割

    该论文研究了自动化深度学习工具在多发性硬化症患者磁共振成像扫描中的白质病变分割中的不确定性量化作为其可靠性指标。研究探讨了不确定性在结构化输出分割任务中的两个主要方面，并提出了新的衡量不确定性的方法。通过分析来自多中心的 MRI 数据集，结果表明我们的方法能够更有效地捕捉模型在病变和患者尺度上的错误。

    Nov, 2023

  • 解剖学感知的半监督图像分割的不确定性

    通过利用全局信息来估计分割不确定性的一种新方法，该方法首先学习了一个解剖感知的表示，然后将新分割的预测映射为一个解剖上可信的分割，借助于与可信分割的偏差，估计底层像素级不确定性以进一步指导分割网络，该方法仅使用一次推断从我们的表示中估计不确定性，从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性，以两个常用的评估指标衡量。

    Oct, 2023

  • 多源标注下医学图像分割学习协议

    本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net 由 UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明 UMA-Net 优于现有方法。

    Apr, 2023

  • 基于内部和外部不确定性的特征聚合模型，用于半监督组织病理图像分割

    提出了一种新的基于不确定性正则化的半监督学习方法，利用像素级标注的有限性和图像预测不确定性来改进分割模型，通过多尺度和多阶段特征融合实现了更好的性能。

    Mar, 2024

  • 多尺度多站点肾脏微血管结构分割用于肾脏病理学全切片成像

    Omni-Seg 是一种新颖的单一动态网络方法，利用多站点、多尺度的训练数据，通过利用部分标记图像来分割肾脏微血管结构。实验结果表明，Omni-Seg 在 Dice 相似系数和交并比方面优于其他方法，为肾脏微血管结构的定量分析提供了强大的计算工具。

    Aug, 2023