Jun, 2023

可学习的体积医学图像分割权重初始化

PDF
TL;DR提出了一种可学习的权重初始化方法，它利用可用的医学训练数据通过自监督目标有效地学习上下文和结构线索，易于集成到任何混合模型中，并且不需要外部训练数据，试验表明，这种方法在多器官和肺癌分割任务上具有前沿的分割性能。
medical image segmentationhybrid modelconvolutionglobal attentionself-supervised objectives
发现论文，激发创造
  • MedContext：学习医学体积分割的上下文线索

    提出了一种称为 MedContext 的通用训练框架，可以与任何现有的 3D 医学分割训练框架结合，无需大规模标注的体积医学数据或专门的预训练 - 微调阶段，并通过学习在输出分割空间中重构器官的缺失部分，以有效地学习自监督上下文提示，以提高分割性能。

    Feb, 2024

  • 医学图像分割密集层级表示的自监督学习

    通过自监督框架学习适用于密集下游任务的体素级粗细粒度表示，通过平衡多尺度特征的贡献，确保学习到的表示捕捉到粗粒度和细粒度的细节，并在有限的注释数据下持续优于基准模型。

    Jan, 2024

  • 重新审视魔方：以体积变换的自监督学习用于三维医学图像分割

    本研究提出了一种基于自监督学习的 3D 医学成像的新型框架，即 Rubik's cube ++，通过对 3D 体数据进行体积化转换来更好地利用器官的内在三维解剖信息，可以预先训练 3D 神经网络，在胰腺分割和脑组织分割等各种任务中表现出更好的性能。

    Jul, 2020

  • V-Net: 用于体积医学影像分割的全卷积神经网络

    本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化 Dice 系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

    Jun, 2016

  • 上下文嵌入学习用于增强三维图像分割的二维网络

    该研究旨在通过上下文嵌入学习方法增强二维卷积神经网络以更好地进行三维图像分割，结果表明该方法能够有效利用层间上下文信息并提高分割性能。

    Apr, 2024

  • 基于深度空间关注和硬度加权损失的 T2 加权 MRI 听神经瘤自动分割

    介绍了一种应用于 vestibular schwannoma MRI 图像的 2.5D 卷积神经网络，该网络利用了所应用成像协议中不同的平面分辨率，使其精度和鲁棒性得到提升，并通过引入注意力机制以及权重逐渐递增的 Dice 损失函数对其进行了优化。实验表明，该方法能有效提高分割精度，为患者管理提供了重要参考。

    Jun, 2019

  • 用于三维医学图像分割和检测的容积式注意力

    提出了一种 3D 医学图像分割和检测的容积注意力（VA）模块。VA 注意力受到视频处理的最新进展的启发，并使得 2.5D 网络能够利用沿着 z 方向的上下文信息，从而在训练数据有限时允许使用预先训练的 2D 检测模型。其与 Mask R-CNN 的整合显示，在肝肿瘤分割挑战中实现了最优表现，超越了以前的挑战赢家 3.9 分，并在 LiTS 排行榜上达到了最佳成绩。在 DeepLesion 数据集上的检测实验也表明，将 VA 添加到现有的物体检测器中，可以获得 69.1 的灵敏度，每张图像的 0.5 假阳性，超越了已发表的最佳结果 6.6 分。

    Apr, 2020

  • 基于多任务关注机制的半监督学习在医疗图像分割中的应用

    该研究提出了一种新颖的半监督图像分割方法，该方法同时优化了监督分割和无监督重建目标，并使用了注意机制。使用未标记的和少量标记的图像进行训练，该方法在大脑肿瘤和白质高信号分割等应用中表现优异。多次尝试后，发现交替训练比联合训练成本更低且性能更好，同时，该注意力机制有助于更好地识别深层次图像特征。

    Jul, 2019

  • SegVol: 通用和交互式体积医学图像分割

    提出了一种名为 SegVol 的通用交互式体积医学图像分割模型，通过在 90k 个无标签的 CT 体积和 6k 个标记的 CT 上进行训练，该基础模型支持对 200 多个解剖类别的分割，使用语义和空间提示，在多个分割基准测试中表现明显优于现有技术，尤其在三个具有挑战性的病变数据集上，其 Dice 分数比 nnU-Net 高约 20%。

    Nov, 2023

  • 基于位置的对比学习用于体积医学图像分割

    文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

    Jun, 2021