Jul, 2023

C-DARL: 对比扩散对抗表示学习用于无标签血管分割

PDF
TL;DR血管分割在医学成像中是诊断血管疾病和介入规划的重要步骤，但由于细微分支和复杂结构，手动标注血管掩膜具有挑战性和资源密集性。为了克服这个问题，本文提出了一种自学习的血管分割方法，即对比扩散对抗表示学习（C-DARL）模型。通过扩散模块和生成模块将多领域的血管数据分布学习到扩散潜变量中，从中生成合成的血管图像，通过基于掩膜的对比损失实现对比学习，从而使模型能够学习更真实的血管表示。通过使用冠状动脉血管造影、腹部数字减影血管造影和视网膜成像等各种血管数据集进行训练和验证，实验结果表明，我们的模型在噪声鲁棒性上取得了性能提升，证明了 C-DARL 在血管分割中的有效性。
blood vessel segmentationmedical imagingcontrastive diffusion adversarial representation learningvessel masksself-supervised method
发现论文，激发创造
  • 自监督血管分割的扩散对抗表示学习

    本文提出了一种使用扩散概率模型和对抗性学习的扩散对抗性表示学习（DARL）模型，用于血管分割，该模型可以在无监督和自监督的情况下学习，并且可以应用于冠状动脉和视网膜图像的血管结构分割。通过实验，我们证明该方法显著优于现有的无监督和自监督的血管分割方法。

    Sep, 2022

  • 脑血管分割的无监督领域自适应：基于 Transwarp 对比学习

    该研究提出了一种简单而强大的对比学习框架，用于医学图像分析中的无监督领域自适应，在标记的源分布和未标记的目标分布之间缩小域间差距。实验证明，该方法可以从标记的 3DRA 模态数据中学习潜在特征，并改善未标记的 MRA 模态数据中的血管分割性能。

    Feb, 2024

  • SimCVD：简单的对比度体素表示蒸馏用于半监督医学图像分割

    本文提出了一种简单的对比去卷积 (SimCVD) 框架，旨在显著提高状态 - of-the-art 体素级表示学习。SimCVD 通过蒸馏配对相似，提升了分割准确性，可用于医学图像合成、增强和配准等下游任务中。

    Aug, 2021

  • 深血管造影：简化视网膜血管分割

    本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

    Jul, 2023

  • VesselShot: 脑血管分割的小样本学习

    血管拍片是广泛用于检测、诊断和治疗脑血管疾病的方法。由于现有的深度学习方法往往依赖于专有数据集和大量的手动标注，我们提出了一种名为 VesselShot 的少样本学习方法，通过利用少量有注释的辅助图像的知识，缓解了脑血管分割中标注数据稀缺和大量标注的问题。我们使用公开可用的 TubeTK 数据集对 VesselShot 的性能进行评估，取得了平均 Dice 系数为 0.62 (0.03) 的分割结果。

    Aug, 2023

  • 脑血管模糊标签的自适应半监督分割

    准确分割脑血管对于脑血管疾病的诊断和治疗至关重要。本文提出了一种自适应半监督方法，通过创新的技术，包括渐进式半监督学习、自适应训练策略和边界增强，解决了存在的小血管捕捉和部分或模糊标注数据处理的挑战。实验结果表明，我们的方法在基于网格的分割度量方面具有优越性。通过利用部分和模糊标记的数据对主要血管进行标注，我们的方法在错标细小血管的分割性能方面取得了令人瞩目的成果，展示了其在临床应用中的潜力。

    Aug, 2023

  • 增强即自动网络：面向医学图像分割的增强驱动对比多视角学习

    该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

    Nov, 2023

  • A2V：一种基于半监督领域自适应框架的脑血管分割方法 —— 通过两阶段训练进行血管透视图到静脉呈像的转换

    基于半监督域自适应的脑血管分割方法，通过图像到图像的转换和语义分割，利用一个分离和语义丰富的潜在空间来表示异构数据并在不同模态之间进行图像级别的自适应，实现了高效且稳定的模型训练，并在不同模态下取得了同源领域最佳性能与目标领域 8.9% 的 Dice 值差距，具有可靠的脑血管图像分割潜力。

    Sep, 2023

  • 基于全卷积神经网络的结构化预测方法用于视网膜血管分割

    本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

    Nov, 2016

  • 领域自适应关系推理在三维多器官分割中的应用

    本文提出了一种新颖的无监督领域自适应方法，它基于空间结构关系进行多模态医学图像分割，能够在未使用目标域数据进行训练的情况下提高目标数据集的性能，包括采用拼图任务构建空间关系和超分辨率网络标准化等措施。

    May, 2020