超声置信图能否预测超声医师标注的变异性?
使用置信度轮廓作为分割图像的表示方法,通过开发一种新的注释系统,能够捕捉到专家不确定性,研究结果表明,该方法在代表能力和解释性方面具有较好的表现。
Aug, 2023
本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出:产生空间不确定性映射,以便临床医生可以观察系统何时以及为何错误,以及量化图像级别的失败预测,并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量,可以适应任何基于深度学习的医学分割管道。
Jul, 2018
本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源,将其与概率 U-Net 相结合,并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试,发现能够以提高预测不确定性的估计,同时提高样本准确度和样本多样性。在实际应用中,该方法可以告诉医生有关分割结果的置信度。
Jul, 2019
本研究提出了一种基于简单的长宽比批注的自动结节分割方法,并通过扩展长宽比批注标签,采用两种类型的伪标签训练两个不对称分割网络,结合保守和激进标签采用一种平衡策略,同时引入了一种动态混合伪标签监督模块以解决过分割和欠分割问题。此外,为了进一步利用临床批注提供的空间先验知识,本研究还提出了一种新的损失函数,即临床解剖先验损失。在甲状腺和乳房的两个临床采集的超声数据集上的广泛实验表明,我们提出的方法的性能优于其他方法,甚至可以实现与使用真实批注的全监督方法相当甚至更好的性能。
Apr, 2024
通过模拟介质的计算,该论文提出一种新的方法,利用 CT 扫描的数据生成物理模拟的超声图像,通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果,并在其他器官上进行了优化图像表示的定性结果评估。
Jul, 2023
这篇论文研究了超声数据中医学图像分割中的不确定性问题,着重于胎头和股骨超声图像。通过提取目标轮廓和探索精确参数测量技术,提出了一种新的方法。采用不确定性建模方法来增强分割网络的训练和测试过程,并且使用测试时间扩增(TTA)的不确定性建模实验表明 TTA 方法可以有效地解释数据的不确定性,从而支持临床医生做出有根据的决策和获得更可靠的测量结果,以提高超声图像分割的可靠性和生物计量测量的可靠性。
Jan, 2024
本研究提出了一种基于半监督学习的医学图像分割方法,该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据,并自动选择最佳的伪注释,进而在不需要全部标注的情况下,实现了分割模型在医学 3D 数据集上更好的性能,验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。
May, 2023
本文研究深度学习系统在医学图像分割方面的不确定性评估方法,发现现有不确定性评估方法在数据集水平表现良好但在个体水平出现偏差,因此需要开发个体化的评估方法。研究还发现辅助网络是一种有效的评估方法。
Jul, 2019
通过利用全局信息来估计分割不确定性的一种新方法,该方法首先学习了一个解剖感知的表示,然后将新分割的预测映射为一个解剖上可信的分割,借助于与可信分割的偏差,估计底层像素级不确定性以进一步指导分割网络,该方法仅使用一次推断从我们的表示中估计不确定性,从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部 CT 扫描的多个器官这两个公开数据集上改善了分割准确性,以两个常用的评估指标衡量。
Oct, 2023
通过利用神经网络的 CycleGAN 方法,从医学超声图像数据中生成伪解剖图像,提高图像质量以更好地表现病变区域,其中生成伪解剖图像在病变分割中的对比度和区分度较高,可潜在地简化诊断流程并改善临床结果。
Feb, 2022