无监督增强优化用于小样本医学图像分割
该研究提出了一种自动化数据增强方法,用于合成标记的医学图像,该方法可用于磁共振成像(MRI)的脑部扫描分割任务。该方法利用半监督方法,从未标注的扫描中学习图像变换模型,并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法,有明显的改进。
Feb, 2019
本文技术为使用生成模型并结合任务驱动数据增强方法,显式地建模变形场和强化蒙版,用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据,实验结果表明该方法在小样本数据的分割任务中表现优异。
Feb, 2019
该研究旨在通过一种新颖的增量技术探索少样本学习领域,其通过学习图像变换参数上的概率分布以优化通用性,其中实验结果表明,该方法可使准确率提高将近 4% 且代码开源。
Apr, 2020
基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制,往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法,通过利用 MRI 特定的增强技术,在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估,并与目前最先进的方法进行比较。结果表明,我们提出的方法在各种任务中均具有高准确性、广泛适用性,并且对于不同领域的转移表现出非凡的鲁棒性,超过了大部分情况下的最先进性能。
Aug, 2023
本文提出了一种针对医学图像分割的高效通用数据增强框架,采用了计算效率高且数据效率高的基于梯度的元学习方案,通过使用用于未见测试数据的代理验证数据明确对齐训练和验证数据的分布以改进增广策略。本文通过两个核心设计改进了当前数据增广策略,即在训练时有效学习类别特定的数据增强并联合优化训练时和测试时数据增强,实验证明该方法针对医学图像分割存在的分类不平衡问题,可显著且一致地提高分割效果。
May, 2023
本文提出了一种针对医学图像的新型自监督少样本分割方案,其中使用基于超像素的伪标签提供监督,采用自适应本地原型池化模块解决前景背景不平衡问题,并在三个不同的任务下测试,结果表明该方法优于传统需要手动注释的方法。
Jul, 2020
该研究提出了一种基于半监督学习的语义分割框架,采用了强数据增强和分布特定批处理归一化技术,同时设计自校正损失提高噪声抗干扰能力,在 Cityscapes 和 Pascal VOC 数据集上实现了领先水平的结果。
Apr, 2021
本文提出了一种数据增强方法,使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像,以帮助改进仅利用极少标记数据的医学影像分割性能,同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。
Feb, 2021
本研究提出一种实用且高精度的 “领域自适应(domain adaptation)语义分割” 方法,通过数据增强,确保保持图像转换后的语义预测的一致性,在轻量级自监督框架中训练并取得了显著的精度提高。
Apr, 2021
这篇论文介绍了一种将自动图像增强选择(RandAugment)与搜索优化策略(基于树的 Parzen 估计器)相结合的方法,用于确定图像增强数量和相关增强参数的最佳值,从而提高分割性能。在乳腺癌组织切片中经过实证验证后,我们的结果表明,这种方法使得分割模型对组织切片变异更具弹性,同时保持高水平的分割性能,并在与以往研究相比较时显示出改善的肿瘤类别分割。
Nov, 2023