Jul, 2023

医学图像分割中的观察者内外变异的概率建模

PDF
TL;DR通过多维概率分布模型，将医学影像标记者的标注行为与影像的特征图结合起来，提出了一种名为 Pionono 的新模型，用于概率分割预测。模型通过变分推断进行优化，具备端到端训练的能力。实验证明 Pionono 在真实癌症分割数据集上具有高准确性和高效性，是一种强大的医学影像分析工具。
medical image segmentationinter- and intra-observer variabilityprobabilistic inter-observer and intra-observer variation networkprobabilistic segmentation predictionscancer segmentation datasets
发现论文，激发创造
  • 变分推断量化解剖结构分割中的观察者差异

    通过提出一种新的变分推断框架来考虑多读者不确定性，该方法利用一个潜在向量来编码多读者的变异性以及对影像数据固有信息损失进行对抗，通过优化其证据下界有效地近似分割地图的分布。实验结果表明了该方法的有效性。

    Jan, 2022

  • 多样化且个性化的多评测者医学图像分割

    通过深度学习在医学图像分割中解决多评价人医学图像标注模糊边界、不同专家间观察者技能和偏好等固有数据不确定性带来的注释不确定性问题。提出了名为 D-Persona 的两阶段框架，通过训练概率性 U-Net 模型和设计多个基于注意力的投影头实现在共享潜空间中获得多样化和个性化结果，实验结果表明 D-Persona 在多评价人医学图像分割上取得了新的 SOTA 性能。

    Mar, 2024

  • 使用统计距离学习评委间差异性，提升概率分割能力

    在医学成像领域，我们提出了一种用于生物医学图像分割的 PULASki 方法，它准确地捕捉多个专家注释之间的变异性，即使在小数据集中也是如此。我们的方法利用基于统计距离的改进损失函数在条件变分自动编码器结构（概率 UNet）中，对比于标准的交叉熵，改善了条件解码器的学习，特别适用于类别不平衡问题。我们分析了两个不同结构的分割任务（颅内血管和多发性硬化症（MS）损伤），并将我们的结果与四个成熟的基准方法进行了定量度量和定性输出的比较。实证结果表明 PULASKi 方法在 5% 的显著性水平下优于所有基准方法。生成的分割结果在二维情况下尤其适用于血管任务，更具解剖学可行性。我们的方法还可以应用于大范围的多标签分割任务，并且在计算流体动力学和数据同化的血液动力学建模、临床决策和治疗规划等下游任务中非常有用。

    Dec, 2023

  • 基于内部和外部不确定性的特征聚合模型，用于半监督组织病理图像分割

    提出了一种新的基于不确定性正则化的半监督学习方法，利用像素级标注的有限性和图像预测不确定性来改进分割模型，通过多尺度和多阶段特征融合实现了更好的性能。

    Mar, 2024

  • 基于特定于评分者的贝叶斯神经网络来量化医学图像分割中评定员不确定性

    该研究旨在探索和分析医学成像中多位专家对同一图像进行解释和注释的情况下分割结果的可变性，引入了一种新颖的基于贝叶斯神经网络的架构来评估医学图像分割的标记者之间的不确定性，并使用一种包含关注模块的一编码器多解码器架构，该方法在七个不同的任务中超过了现有的基准方法，并提供了代码、模型和新数据集。

    Jun, 2023

  • PHiSeg：医学图像分割中的不确定性捕捉

    本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

    Jun, 2019

  • 随机分割网络：建模空间相关的不确定性

    本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs 通过对数 it 空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs 表现出更好的表现.

    Jun, 2020

  • 通过概率感知学习提升弱监督的三维医学图像分割

    3D 医学图像分割是一个具有重要意义的挑战性任务，最近深度学习的进展极大地增强了完全监督的医学图像分割，然而，这种方法严重依赖于费力费时的完全注释的地面实况标签，特别是对于 3D 体积。为了克服这个限制，我们提出了一种新颖的概率感知弱监督学习流程，专门针对 3D 医学成像。我们的流程整合了三个创新的组成部分：一种基于概率的伪标签生成技术，用于从稀疏注释合成密集分割掩模，一种用于我们概率变换网络中强大特征提取的概率多头自注意网络，以及一种基于概率的分割损失函数，以增强具有注释置信度的训练。展示了显著的进展，我们的方法不仅能与完全监督的方法性能相媲美，而且在 CT 和 MRI 数据集上超越了现有的弱监督方法，对于某些器官的 Dice 得分实现了高达 18.1％的提升。代码可在此网址获得：https://URL

    Mar, 2024

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • 每个注释都很重要：医学图像分割的多标签深度监督

    本文提出了一种半弱监督分割算法，基于新的深度监督学习方法和学生 - 教师模型，结合各种监督信号以实现易于集成，有效地减少了昂贵标注的要求。经过实验验证，该算法在视网膜液体分割上取得了成功。

    Apr, 2021