ICCVAug, 2023

双元元学习结合纵向广义正则化用于跨人类一次性脑组织分割

PDF
TL;DR本文提出了一种双元元学习范式，通过元特征学习提取纵向一致的解剖学特征表示，并通过元初始化学习提供良好初始化的任务头进行微调。此外，提出了两种类感知的正则化方法，以鼓励纵向一致性。在 iSeg2019 和 ADNI 数据集上的实验结果证明了我们方法的有效性。
brain tissue segmentationlongitudinal datameta-learninganatomical representationsclass-aware regularizations
发现论文，激发创造
  • 脑肿瘤 MRI 异质结构分割的增量学习

    本研究提出了一个基于增量学习的深度学习分割模型，使用离散批量均衡正则化的双流模块来区分旧任务和新任务，使用伪标签训练方案进行自适应网络优化，以在变化的目标域中提高平均分割准确度。

    May, 2023

  • 学习未学习特征用于脑肿瘤分割

    本文提出了基于主动学习和元学习的功能微调算法，以帮助网络不忘记原始任务，实现大脑肿瘤分割的准确识别，并展示了从高级别胶质瘤到脑转移的迁移学习方法，证明所提出的算法可以在短时间内实现对于胶质瘤和脑转移领域的平衡参数。

    May, 2023

  • Few-Shot 弱监督医学图像分割的元学习器

    本文提出了一个基于元学习的弱监督分割方案，并在医学成像领域进行了实验和对不同范例的比较分析，研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果，而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。

    May, 2023

  • 学习合成无纵向数据的老化大脑

    该论文提出了一种基于深度学习的方法，通过合成图像并考虑年龄和阿尔茨海默病的状态，来模拟特定对象的大脑衰老轨迹，并展示了该方法在神经退行性疾病研究中的应用潜力。

    Dec, 2019

  • 基于解剖一致的伪模态元学习的领域泛化

    深度模型在应用于未知领域时往往存在泛化能力有限的问题，特别是在视网膜血管分割任务中，我们提出了一种基于解剖一致伪模态的元学习方法（MAP），通过学习结构特征来提高模型的泛化能力。我们首先利用特征提取网络生成三个不同的伪模态，这些模态与原始图像共享血管结构。然后，我们使用情节学习范式，将其中一个伪模态作为元训练数据集，并通过对其余伪模态进行 Dirichlet 混合生成连续增强的图像空间进行元测试。此外，我们引入了两个损失函数，通过对具有相同血管结构的图像获取的潜在向量进行聚类来促进模型对形状信息的关注。我们在包括多种视网膜成像模态的七个公共数据集上评估了我们的模型，并得出结论：MAP 具有更好的泛化能力。我们的代码在此 https URL 公开可用。

    Sep, 2023

  • 基于深度学习的组间配准用于胶质瘤纵向 MRI 分析

    本研究提出了一种纵向、基于学习的、集群式的 MRI 图像配准方法，可以在不到一分钟的时间内完成高质量的配准，提供了一种替代传统工具箱的新途径，以更准确地量化并了解神经胶质瘤的生长。

    Jun, 2023

  • 基于多任务元学习的数据高效脑连接组分析

    通过元学习技术，在跨数据集的情况下，训练大规模的大脑连通性图谱数据集，提出了基于元学习的数据高效训练策略，并通过图神经网络框架，包括变换式的跨数据集任务权重自适应等，得到了更高效和更稳定的性能，为了更好地研究疾病间和数据集间的相似性，提出了新的见解。

    Jun, 2022

  • 一种新的集成学习框架用于三维生物医学图像分割

    提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

    Dec, 2018

  • 基于迁移学习的脑部损伤分割元分析

    本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

    Jun, 2023

  • 一种混合深度学习框架：用于整合分割和配准，以评估纵向白质束变化

    本研究提出了一种新型的混合卷积神经网络，将分割和配准集成到单个过程中，同时应用于白质束的分割，数量为 N = 8045。该方法与使用现有分割方法结合传统可变形配准算法的两个多阶段流水线进行比较，证明了其显著更高的准确性、一致性和可再现性，具有用于支持临床和流行病学分析的潜力。

    Aug, 2019