Jun, 2023

使用极端点注释生成的噪声标签进行 OCT 液体分割的学习

PDF
TL;DR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。
发现论文，激发创造
  • 基于不确定性引导的 OCT 图像视网膜层半监督分割

    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

  • 学习从噪声标注中分割皮肤病变

    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

  • 鼻内镜图像分割的点邻域学习框架

    通过引入点邻域学习、增强训练监督及扩充数据多样性，我们提出了一种弱半监督方法，名为 Point-Neighborhood Learning (PNL) 框架，用于医学图像中的点注释，显著提高了性能并不改变分割网络结构。

    May, 2024

  • 学习加噪标签用于鲁棒性点云分割

    本文提出了一种基于点噪声自适应学习（PNAL）框架的点云分割算法，包括一种基于历史预测的可靠标签点选择和一种投票策略的集群微调方法，有效解决了一些实际场景中存在的标签噪声问题。

    Jul, 2021

  • OCT 分割的注释高效学习

    本文提出了一种基于自监督生成学习的、注释高效的 OCT 图像细分方法，该方法可以显著降低注释成本并加速训练，相比于 U-Net 模型，只需要约 10% 的数据就能达到相同的分割精度。

    May, 2023

  • 点级监督的全景分割

    本文提出了一种新的弱监督全景分割方法，使用逐点标注替代像全监督方法那样使用像素级标签，通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习，最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识，以实现像素解析。在实验中，本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。

    Oct, 2022

  • 基于超像素引导的噪声标签迭代学习在医学图像分割中的应用

    该研究提出了一种基于超像素的分割学习方法，通过噪声感知训练和噪声标签改进相结合，利用其结构约束来提高分割标签的鲁棒性，实现在标签噪声范围内的有效学习

    Jul, 2021

  • 医学图像分割中区分人类错误和基本事实

    本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

    Jul, 2020

  • 基于超像素导向的医学图像分割标签软化

    本研究提出了一种新的超像素标签软化方法来处理医学图像分割中的不确定性标注问题，将软化后的标签与硬标签一起用于训练分割模型，在 3D 和 2D 医学图像中均取得了相对于基线和对照方法的优异分割表现。

    Jul, 2020

  • 使用点监督的弱监督显著物体检测

    本文采用点监督的方法提出一种新的弱监督显著性物体检测方法，并使用自适应遮罩洪水填充算法生成伪标签，和基于 Transformer 的模型进行训练，同时提出了一种 Non-Salient Suppression（NSS）方法来针对第一轮训练中生成的错误显著性标签进行优化，并应用于第二次训练中，最终在五个基准数据集上证明该方法优于其他先前的监督学习方法和完全监督的最新模型。

    Mar, 2022