Jul, 2023

半监督医学图像分割与协同分布对齐

PDF
TL;DR本文提出了一种基于 Co-Distribution Alignment (Co-DA) 的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公共数据集上优于现有半监督医学图像分割方法。
medical image segmentationco-distribution alignmentsemi-supervisedmarginal predictionspseudo-labels
发现论文，激发创造
  • 半监督医学图像分类的类别特定分布对齐

    提出一种基于自我训练的半监督学习框架，通过改变向量空间中边缘预测的基础，捕捉有关标记和未标记数据的类依赖性边缘预测，以避免对多数类别的偏见，从而解决医学图像分类中的数据注释耗时和类别分布不平衡的问题。

    Jul, 2023

  • 跨对抗本地分布正则化的半监督医学图像分割

    通过引入新的交叉对抗局部分布（Cross-ALD）正则化方法，进一步增强医学图像半监督分割任务中的平滑性假设，本文在公共 LA 和 ACDC 数据集上进行了全面的实验，并取得了最先进的性能。

    Oct, 2023

  • 通过增强分布对齐的半监督学习

    本文提出了一种简单而有效的半监督学习方法，称为增强分布对齐，以解决有限标记样本导致的采样偏差问题，并介绍了一些实现策略（比如采用对抗式训练、插值策略等），同时在 SVHN 和 CIFAR10 数据集上进行了验证。

    May, 2019

  • 半监督医学图像分割中基于伪标签引导数据增强的双解码器一致性

    基于平均教师模型的双解码器一致性伪标签引导数据增强方法（DCPA），结合一致性正则化、伪标签和数据增强，以增强半监督分割的效果。通过学生模型和教师模型，共享编码器和两个不同的解码器，增加学生模型训练时的一致表示生成，通过混合数据实现数据增强，并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比，实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。

    Aug, 2023

  • 半监督医学图像分割的相关感知互学习

    本文提出了一种全新的互相关注意力的半监督学习方法，该方法结合标签数据和未标签数据的特点，在医学图像分割任务中实现了更好的表现。

    Jul, 2023

  • 半监督领域适应医学图像分割通过一致性规则的解耦对比学习

    本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

    Jul, 2023

  • 基于不确定性感知的多视角 co-training 方法用于半监督医学图像分割和域适应

    本论文提出了一种基于深度学习的图像分割框架 UMCT，通过协同训练和利用未标注数据来实现半监督和无监督领域自适应的任务，实现针对大量未标注数据的高效分析处理和标注，获得了半监督医学影像分割方面的最佳表现，并成功将模型应用于医学影像解剖结构的领域自适应。

    Jun, 2020

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 深度共同训练用于半监督图像分割

    本文介绍一种基于深度分割模型集成的半监督学习方法，利用有标注的图片训练模型子集，并使用未标注的图片协同训练模型，同时使用对抗样本来保持多样性，实现语义图像分割的性能提升，在两个医学图像数据集上取得最先进的结果。

    Mar, 2019

  • DHC: 双修正异构协同训练框架用于类别不平衡的半监督医学图像分割

    提出一种新颖的双消除偏见异构协同（DHC）框架，用于半监督 3D 医学图像分割，该框架通过两种损失加权策略（DistDW 和 DiffDW）动态利用伪标签引导模型解决数据和学习偏差，并且通过协同训练两个准确的子模型显著提高，实验结果表明我们的方法克服了类别不平衡问题，优于当前的半监督学习方法，在更具挑战性的半监督设置中显示出潜力。

    Jul, 2023