Jul, 2023

ARHNet：适应性区域协调用于病变感知增强以提高分割性能

PDF
TL;DR提出一种前景调和框架（ARHNet）来解决 MRI 扫描的强度不均匀问题和使合成图像看起来更加逼真的问题，实验结果表明此方法在提高分割性能方面表现优异。
mri scanssegmentationdata augmentationforeground harmonizationarhnet
发现论文，激发创造
  • 面向区域的自适应实例标准化用于图像协调

    本文提出了一种基于深度学习的图像和谐方法，通过引入基于区域的自适应实例归一化 (RAIN) 模块，实现了前景与背景之间的视觉风格一致，并且在现有数据集上进行了大量实验验证，提出的方法具有很高的应用价值。

    Jun, 2021

  • 影像技术一致化 (HAIL)：脑部磁共振成像的单次学习

    我们提出了一种基于神经风格迁移的一次学习方法，用于医学影像的谐调化，以防止医学成像中的幻觉，并有效地保护患者的解剖结构。我们的方法可以应用于新的临床场景和临床试验中的未见数据，成为现实世界医学应用的宝贵工具。

    Aug, 2023

  • MR 图像分割的逼真对抗数据增强

    本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

    Jun, 2020

  • 基于分割重标准化的深度特征调制技术，用于非配对图像协调

    本文提出了一种基于分割归一化图像转换框架的方法，通过用可训练的比例和位移参数代替归一化层中的仿射变换，调制每个级别的特征，从而减少各种成像设备之间的异构性，同时保留解剖结构布局，并在多种成像模态（T1w MRI，FLAIR MRI 和 OCT）的数据集上进行评估。

    Feb, 2021

  • 图像协调的前景感知语义表示

    通过使用预先训练的分类网络，提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的，并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。

    Jun, 2020

  • 可学习的增强深度图像融合

    图像协调的目标是调整复合图像中前景的外观，使整个图像协调一致。我们通过探索可学习的增强方法，丰富小规模数据集的光照多样性，以提升协调性能。实验表明，我们提出的可学习增强方法对图像协调具有有效性。

    Aug, 2023

  • 分层动态图像调和

    本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

    Nov, 2022

  • 分割任意物体模型与图像融合

    本文提出了一种利用语义分割地图指导前景和背景特征的视觉一致性学习的方法，称为语义引导的区域感知实例标准化（SRIN），并且通过丰富的实验验证了该方法在图像协调中的优越性。

    Dec, 2023

  • 用于强健 SAR 车辆识别的分层去纠缠网络

    本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

    Apr, 2023

  • 基于可解释性引导的数据增强技术用于多中心结肠镜数据的鲁棒分割

    在多个医疗中心收集的多中心结肠镜图像具有各种干扰因素和叠加物，影响图像内容；现有的深度分割网络难以在这些数据集中获得足够的泛化能力，而当前可用的数据增强方法无法有效解决这些数据变异源。为解决这个问题，我们引入了一种以可解释性显著图为中心的创新数据增强方法，旨在提高多中心结肠镜图像分割的深度学习模型的泛化能力。所提出的增强技术在不同分割模型和领域中展示了增强的鲁棒性。通过对公开的多中心多聚物检测数据集进行详细测试，证明了我们方法的有效性和多功能性，这在定量和定性结果中都有所体现。代码公开可用于：this https URL

    Aug, 2023