Jun, 2023

基于大规模未标注数据预训练的基础模型用于三维医学图像分割

PDF
TL;DR本研究提出了一种名为 Volume Fusion (VF) 的自监督学习策略，结合多个随机补丁，采用预定义的融合系数融合前景子卷和背景子卷，无需手动注释地预训练 3D CT 体数据的分割模型，结果表明该方法表现优于其他基于自监督训练和分割模型的方法。
发现论文，激发创造
  • 任意点云的自监督 3D 特征预训练

    该研究提出了一种可用于 3D 数据的简单自监督预训练方法，在目标检测、语义分割和物体分类等方面取得了最先进的结果并提高了少样本类别的性能。

    Jan, 2021

  • Med3D：三维医学影像分析的迁移学习

    本研究为培训深度学习算法所需数据量的问题提出了一种解决方案，通过建立医学图像分割数据集和使用 Med3D 进行多域协同训练，可以加速涉及 3D 医学图像的任务的训练收敛速度和提高准确度。

    Apr, 2019

  • 协作学习用于高效注释体积 MR 图像分割

    建立了一种深度学习方法，探索了稀疏标注，即每个 3D 训练 MR 图像只有一个 2D 切片进行标注，与 ICT 相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均 B-IoU 增加了 10.0% 以上（提出的方法 B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均 B-IoU 增加了 6.0% 以上（提出的方法 B-IoU：66.1% vs. ICT B-IoU：60.1%）。

    Dec, 2023

  • 医学影像的 3D 自监督方法

    本文提出了针对五种不同的自监督学习方法的三维版本，利用这些技术进行神经网络特征的学习，通过对三维图像的预处理，显著提高语义表示的精确性，从而在医学成像领域实现了数据效率、性能和收敛速度的提升，具有较高的竞争力和可扩展性。

    Jun, 2020

  • 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

  • VISTA3D：一种用于 3D 计算机断层扫描的多功能影像分割和注释模型

    3D CT 分割基础模型应具备一次准确性能和自适应能力，而 VISTA3D 模型在系统训练时能够提供准确的立即分割，并实现了最先进的三维零交互分割。

    Jun, 2024

  • 利用大规模预训练视觉基础模型进行高效标签的 3D 点云分割

    通过采用大规模预训练模型、计算机视觉和 2D 任务，本研究提出了一种新的框架来解决 3D 点云分割任务，通过将 2D 语义分割预测投影到 3D 空间，并引入语义标签融合策略，实现了在扩展的数据集上的 3D 场景理解。

    Nov, 2023

  • 有限数据注释的自监督 RCNN 用于医学图像分割

    本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

    Jul, 2022

  • 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

  • 3D U-Net: 从稀疏标注中学习稠密体积分割

    本文提出了一种基于稀疏注释的体积分割网络，可以在自动化和半自动化情况下使用，使用 3D 网络代替原有的 2D 操作，并通过实时弹性变形增强数据。该方法在 Xenopus 肾脏等高度变异的 3D 结构上取得了良好的分割效果。

    Jun, 2016