Jul, 2023

EVIL: 有据推理学习用于可信任的半监督医学图像分割

PDF
TL;DR通过将证据理论引入半监督医学图像分割，以在单次前向传递中推理准确的不确定性量化为目的，提出了命名为 EVIL 的确定性推理学习方法。该方法使用一致性正则化训练范式，通过对扰动预测的一致性进行约束来增强少量标记数据的泛化能力。实验结果表明，EVIL 在公共数据集上与几种最先进的方法相比取得了竞争性的性能。
uncertainty-aware methodssemi-supervised medical image segmentationdempster-shafer theory of evidenceevidential inference learningconsistency regularization-based training paradigm
发现论文，激发创造
  • 基于证据融合的半监督医学图像分割的不确定性感知学习

    通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

    Apr, 2024

  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024

  • 一种证据增强的三支一致性学习方法用于半监督医学图像分割

    介绍了一种基于 Evidential Tri-Branch Consistency 学习框架（ETC-Net）的半监督医学图像分割方法，通过三个分支来解决预测多样性和训练稳定性，并结合来自证据学习的不确定性估计来抑制错误监督信号的负面影响，实验结果表明 ETC-Net 在多个数据集上超越了其他最先进的半监督分割方法。

    Apr, 2024

  • DuEDL：双分支证据深度学习在手绘辅助医学图像分割中的应用

    通过提出双分支证据深度学习（DuEDL）框架，该研究旨在改善使用线条标注进行医学图像分割时准确性与可靠性之间的权衡问题，并证明该方法在提高模型的可靠性和泛化能力方面表现优于现有方法。

    May, 2024

  • 基于 Dempster-Shafer 证据理论的非道路环境中的不确定性感知语义地图构建

    通过将证据推理、Evidential Deep Learning（EDL）和 Dempster's combination rule 应用于语义映射，提出了一种证据语义映射框架，以在感知挑战环境下改善不确定性地图的可靠性，并显示与最佳语义映射技术相当的语义准确性。

    May, 2024

  • 基于一致性的半监督确信主动学习用于诊断放射照片分类

    本文提出了一种结合半监督和主动学习的一致性半监督证据主动学习框架（CSEAL），通过建立在证据和主观逻辑理论上的预测不确定性，综合了半监督学习和基于不确定性的主动学习。我们在多标签胸部 X 射线分类任务上对该方法进行了广泛评估，并表明 CSEAL 相对于两个领先的半监督主动学习基线实现了实质性的性能提升。

    Sep, 2022

  • 基于信念函数理论和深度学习的医学图像分割

    研究了基于不确定证据的深度学习医学图像分割方法，包括信息建模和融合，在深度学习中使用了证据分割和证据融合的半监督医学图像分割框架，以及使用了深度学习和证据分类器构建的深度证据模型进行淋巴瘤分割和多模态医学图像融合框架。

    Sep, 2023

  • MEDL-U：基于证据深度学习的不确定性感知 3D 自动标注器

    开发基于 Evidential Deep Learning (EDL) 的不确定性估计框架的第一个方法，通过引入 MEDL-U，该框架不仅生成伪标签，而且量化相关的不确定性。实验证明，使用 MEDL-U 训练的概率性探测器在 KITTI 验证集中的所有难度级别上超过之前的 3D 注释器的确定性探测器，并在 KITTI 官方测试集上实现了最先进的结果。

    Sep, 2023

  • 基于变换一致性学习的半监督医学图像分割

    本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

    Nov, 2019

  • 基于双任务一致性的半监督医学图像分割

    本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

    Sep, 2020