Jul, 2023

CGAM: 基于点击引导的注意力模块，通过反向传播细化交互病理图像分割

PDF
TL;DR本研究提出了一种交互式分割方法，通过点击交互，利用基于点击的注意力模块（CGAM）将用户提供的点击约束和特征图中的语义信息相结合，并将其公式化为优化问题，相比现有方法，该方法可避免分割结果过度改变导致用户点击的过拟合问题，模型大小与输入图像大小无关，实验结果表明，该方法优于现有的最先进方法。
tumor region segmentationdigital pathologydeep neural networksinteractive segmentation methodclick-guided attention module
发现论文，激发创造
  • 基于注意力机制的脑肿瘤二阶段 MR 图像分割方法

    提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络，以及一种关注性生成跨模态分割方法，该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。

    Apr, 2023

  • 用于诊断全幻灯片图像的语义感知注意引导

    精确的癌症诊断在数字病理学中仍然是一个重要挑战，主要是由于全幻灯片图像中的巨像素大小和复杂空间关系所致。本文引入一种名为 Semantics-Aware Attention Guidance（SAG）的新框架，通过将诊断相关实体转换为注意信号和灵活的注意力损失，有效地整合了组织解剖和癌症区域等语义信息，在两个不同的癌症数据集上的实验证明了模型准确性、精度和召回率的持续改进，并揭示了启发式引导的结合使模型能够关注诊断关键区域。SAG 不仅对于所讨论的模型有效，其适应性还可扩展到任何基于注意力的诊断模型，从而为进一步提高癌症诊断的准确性和效率打开了令人兴奋的可能性。

    Apr, 2024

  • CG-fusion CAM: 大孔径光学元件激光损伤在线分割

    本文提出了一种基于连续梯度 CAM 及其非线性多尺度融合 (CG-fusion CAM) 的弱监督语义分割方法，通过重新设计梯度的反向传播方式和非线性激活多尺度融合热图，生成了更精细的类激活图，适合不同大小的损伤区域，实验结果表明所提出的方法的分割性能可与全监督算法相媲美。

    Jul, 2023

  • NuClick: 一个用于显微镜图像交互式分割的深度学习框架

    本论文提出了一种基于 CNN 的方法 NuClick，可以快速收集核、细胞，以及腺体细胞等许多应用于计算机病理学 / 细胞学的计算机处理对象的注释，并提出了一种新的引导信号，使 NuClick 能够分割腺体的边界。在实验证明，NuClick 能够适应不同的目标尺度，对用户输入的不同变化具有强大的鲁棒性，并且提供可靠的标注，对它标准产生的实例分割模型在 LYON19 挑战中获得了第一名。

    May, 2020

  • 跨模态注意力适配器：一种对使用多模态脑 MR 图像的 SAM 进行胶质瘤分割微调的方法

    本文提出了一种基于跨模态融合的注意力适配器细调基础模型来完成多模态 MRI 脑图像下胶质瘤分割任务的方法，该方法优于现有技术方法，具有 88.38％的 Dice 系数和 10.64 的 Hausdorff 距离，从而在分割胶质瘤区域方面呈现出 4％的增长，有助于胶质瘤的治疗。

    Jul, 2023

  • 脑肿瘤分割网络的交互式图像选择和训练

    通过使用基于图像标记的特征学习方法，我们能够选择一小组图像来训练 U 形网络的编码器，从而达到与手动选择相等甚至超过使用反向传播和所有训练图像训练的同一 U 形网络的性能。

    Jun, 2024

  • 强化形态学引导的 CAM-Guided SAM 用于乳腺病灶弱监督分割

    通过成像学和形态学的相结合，我们提出了一种新的方法，在早期乳腺超声图像中进行弱监督病变分割，其性能超过了依赖像素级注释的监督学习方法。

    Nov, 2023

  • DeepIGeoS：一种深度交互测地框架用于医学图像分割

    本文提出了一种深度学习交互分割方法，通过将用户交互与 CNN 结合，使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性，并将用户交互作为硬约束集成到反向传播式 CRF 中，以实现在更高的精度下减少用户干预的目的。实验结果表明，与传统的交互式方法相比，该方法在自动 CNN 分割的基础上实现了大幅提升，并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。

    Jul, 2017

  • 注意力门控网络：学习在医学图像中利用显著区域

    提出了一种新型的注意力门模型，可自动学习聚焦各种形状和大小的目标结构，在卷积神经网络模型中集成可以提高模型灵敏度和预测准确性并加速计算，应用于医学图像分类和分割任务中可提高模型预测性能并改进其启发机制。

    Aug, 2018

  • AG-CRC: CT 中基于解剖学指导的结肠癌分割与非理想解剖学知识

    利用自动生成的器官掩模辅助肠直肠癌（CRC）的 CT 图像分割，提出了一种新颖的解剖引导分割框架（AG-CRC），通过多器官分割、训练块采样策略、自监督学习方案和掩模损失机制，实现了 5% 至 9% 的性能改进。

    Oct, 2023