Jun, 2023

C$^3$PS：基于上下文的条件交叉伪监督方法用于半监督医学图像分割

PDF
TL;DR提出了一种新的 Context-aware Conditional Cross Pseudo Supervision，可用于半监督医学图像分割，具有条件的跨伪监督机制和上下文感知，能够在后期训练阶段集中学习难分割的器官，并在挑战性的医学图像分割任务中超过现有的方法。
semi-supervised learningmedical image segmentationcross pseudo supervisioncontext-awarenesshard organs
发现论文，激发创造
  • 具有交叉伪监督的半监督语义分割

    本文中，我们提出了一种新的一致性正规化方法，名为交叉伪监督（CPS），通过探索有标签数据和额外的未标记数据来研究半监督语义分割问题。在城市风景和 PASCAL VOC 2012 上，我们的方法实现了半监督分割性能的最新水平。

    Jun, 2021

  • 基于交叉伪标签的半监督医学图像分割方法：加强和弱数据增强策略

    通过数据增强和伪标签生成、筛选和改进过程的适当强调，本研究基于半监督模型 DFCPS 提出了新颖的交叉伪监督概念，将一致性学习与自训练相结合，充分利用了伪标签的多个角度，从而提高了训练多样性和模型性能。

    Feb, 2024

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 基于伪三维变换的跨维度医学自监督表示学习

    提出了一种基于伪 3D 转换的跨维度自监督学习框架（CDSSL-P3D），该框架可以利用 2D 和 3D 数据进行联合预训练，实现 3D 医学图像分析的跨维度自监督学习。在 13 个下游任务上进行了广泛的实验，结果表明我们的 CDSSL-P3D 表现出色，优于其他先进的自监督学习方法。

    Jun, 2024

  • 基于类别感知对比半监督学习

    提出了一种名为 CCSSL 的半监督学习方法，采用类别聚类和图像对比改善模型的伪标签质量和在真实世界中的鲁棒性，并通过目标重新加权实现了干净标签学习和减少噪声标签学习。实验表明其在多个数据集上均取得了显著的性能提升。

    Mar, 2022

  • 半监督医学图像分割中的自我感知和跨样本原型学习

    本文提出了 SCP-Net 方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net 可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

    May, 2023

  • 弱监督语义分割的因果干预

    本文提出了一种因果推断框架，结合结构因果模型和上下文调整方法以纠正语义分割中的误导性上下文因素，使用图像级标签生成更好的像素级伪掩模，并将其用作后续分割模型的更好伪造地面实况。

    Sep, 2020

  • 半监督医学图像分割的多尺度交叉对比学习

    本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。

    Jun, 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

    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。

    May, 2023

  • 基于分类置信度的三维半监督学习

    本研究提出了基于类别置信度的三维半监督学习方法，在动态阈值策略和重新采样策略的帮助下，成功地解决了三维不平衡数据状态下监督学习的问题，并在分类和检测任务中得到了显著提高。

    Oct, 2022