Jun, 2023

半监督医学图像分割的多尺度交叉对比学习

PDF
TL;DR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。
semi-supervised learningmedical image segmentationmulti-scale cross supervised contrastive learningcnntransformer
发现论文，激发创造
  • 多尺度和跨尺度对比学习用于语义分割

    本研究考虑应用监督对比学习提高语义分割中多尺度特征的判别能力，并通过有效的采样过程与跨尺度对比学习方法进一步提高模型性能。

    Mar, 2022

  • 多层非对称对比学习用于医学图像分割预训练

    提出了一种名为 JCL 的新型不对称对比学习框架，用于医学图像分割的自监督预训练，多级对比损失设计确保了编码器和解码器在预训练期间可以学习到多级表示，实验证明该框架优于现有的对比学习策略。

    Sep, 2023

  • Dcl-Net: 双对比学习网络用于半监督多器官分割

    我们提出了一个双对比学习网络，在半监督多器官分割中利用全局和局部对比学习加强图像和类别之间的关系。在第一阶段，我们开发了一个基于相似度引导的全局对比学习来探索图像之间的隐含连续性和相似性，并学习全局上下文。然后，在第二阶段，我们提出了一个器官感知的局部对比学习来进一步吸引类别表示。为了减轻计算负担，我们引入了一个掩码中心计算算法，用于压缩局部对比学习的类别表示。我们在公共的 2017 年 ACDC 数据集和内部的 RC-OARs 数据集上进行的实验证明了我们方法的优越性能。

    Mar, 2024

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020

  • 自适应对比学习在半监督医学图像分割中的应用 —— 基于元标签方法

    本文提出了一种利用元标签注释的对比学习方法，用于医学影像分割中模型表现的优化。模型在预训练和半监督训练中使用元标签注释，并采用自适应学习方法消除噪声标签，实验结果表明这种方法在几个数据集下表现优异。

    Jul, 2021

  • 用交叉监督的双分类器进行半监督医学图像分割

    本文提出一种基于双分类器（DC-Net）的交叉监督学习框架，包括证明分类器和香草分类器，各具特色，能够有效处理分歧，并为无标签数据生成更稳健和准确的伪标签，同时将证明分类器的不确定估计结合到交叉监督训练中以减轻错误监督信号的负面影响，试验证明该方法优于其他半监督分割的最新研究成果。

    May, 2023

  • 基于多尺度多视图全局 - 局部对比学习的半监督心脏图像分割方法

    本论文提出了一种新颖的多尺度多视角全局局部对比学习（MMGL）框架，并在半监督心脏图像分割方面进行了广泛的实验，证明了其在有限注释下提高了分割性能，表现出比现有对比学习方法更好的效果。

    Jul, 2022

  • 克服自监督对比学习在医学图像分割中的尺寸坍塌问题

    本文研究将对比学习应用于医学图像分析领域，发现在医学图像上应用最先进的对比学习方法 MoCo v2 存在维度坍缩问题，并提出了局部特征学习和特征去相关两项关键贡献，实验证明这两个贡献显著提升了模型在医学分割任务的性能。本研究突显了将自监督学习技术有效适应医学图像任务特征的重要性。

    Feb, 2024

  • 火星图像分类和分割的半监督学习

    本论文介绍了一种半监督机器视觉框架，使用对比学习和注释数据来有效地解决在火星图像数据的分类和分割任务中面对的挑战，并通过在有标注和无标注数据上的学习来提高模型性能和优化处理火星数据的效果。

    Jun, 2022

  • 增强自监督学习的医学图像分割本地化区域对比

    本研究提出了一种新颖的对比学习框架，它将本地化区域对比技术（LRC）融入到现有的半监督自监督预训练方法中，以增强医学图像分割的性能。通过在三个多器官分割数据集上的大量实验，我们证明在受限注释的情况下将 LRC 集成到自监督方法中可以显著提高分割性能。此外，我们还表明 LRC 也可以应用于完全监督的预训练方法以进一步提高性能。

    Apr, 2023