Jun, 2023

S$^2$ME: 基于空间 - 频谱相互教学和集成学习的涂抹辅助下的息肉分割

PDF
TL;DR本文提出了一种基于弱监督的医学图像分割方法，采用空间光谱双分支共同训练的框架和熵引导的伪标签集成学习，有效降低了噪声对伪标签的影响，并在四个公共数据集上得到了良好的性能表现。
weak supervisionmedical image segmentationdual-branch co-teachingpseudo label ensemble learningentropy guidance
发现论文，激发创造
  • 基于双分支网络和动态混合拟标注监督的涂鸦辅助医学图像分割

    本研究提出了一个简单而有效的基于标注涂鸦的医学图像分割方法，并应用于心脏核磁共振图像分割，结合了涂鸦监督和辅助伪标签监督的双分支网络能够高效地从标注涂鸦中学习，并取得了优于目前方法和半监督分割方法的表现。

    Mar, 2022

  • ScribblePolyp: 基于涂鸦指导的息肉分割通过双重一致性对齐

    ScribblePolyp 是一种高效的模型，用于胃肠疾病的息肉分割，并通过一种新的 scribble-supervised 方法，使用少量的注释（涂鸦标签）来减少标注成本，并提出一种两分支一致性对齐方法来为未标注的像素提供监督。

    Nov, 2023

  • 基于模型引导协同学习网络的基于示意标注的息肉分割

    通过在 Collaborative Learning Network 中使用 Segment Anything Model，以及基于已生成的 scribble 注释的改进模块、特征聚合模块和图像级过滤机制等策略，本文提出了适用于弱监督息肉分割的 novel SAM-guided Collaborative Learning Network (SAM-CLNet) 方法，实验结果表明其优于现有的弱监督分割方法。

    Dec, 2023

  • 语义可转移的弱监督内窥镜病变分割

    本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型，该模型可以从相关的完全标记的疾病分割任务中利用有用的知识，以提高目标弱标记的病变分割任务的性能，其中包括提出了基于伪标签生成器的伪像素标签生成方法，并将同一类别的动态搜索特征中心在不同数据集间对齐。

    Aug, 2019

  • 双尺度增强与交叉生成一致性学习用于半监督息肉分割

    提出了一种新的增强的双尺度和交叉生成一致性学习框架，用于半监督息肉分割，通过整合不同分辨率的交叉级相邻层来增强特征表达能力，采用尺度增强的一致性约束来处理形状尺寸和位置的变异，并通过交叉分段图重建原始和扰动图像来提高分割性能。

    Dec, 2023

  • 通过 3D 和 2D 网络之间的互相教学进行稀疏注释的 3D 医学图像分割

    通过 3D 和 2D 网络的交叉教学，我们提出了一种从稀疏注释中稳健学习的框架，采用硬 - 软置信度阈值和一致标签融合两种伪标签选择策略，实验证明我们的方法优于半监督分割方法的最先进成果，并且与全监督的上限结果相媲美。

    Jul, 2023

  • 使用合成数据的自监督和半监督息肉分割

    通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

    Jul, 2023

  • 利用多尺度对比正则化进行涂鸦辅助的细胞分割

    本文提出了一种新的多尺度对比正则化方法，用于改善只使用少量标记信息的自监督学习方法，能够有效地进行多层次结构分离，证明了这种方法的有效性。

    Jun, 2023

  • MSE-Nets：用于提高具有模糊边界的医学图像分割的多注解半监督集成网络

    使用有限的多注释和丰富的无注释数据，我们提出了一种多注释半监督集成网络（MSE-Nets），用于医学图像分割任务，通过多种方法增强模型，优化可利用的注释数据，减少重复注释的需求，并提高模型在医学图像分割中的性能。

    Nov, 2023

  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024