CVFC: 跨视图特征一致性基于注意力的病理图像弱监督语义分割

Aug, 2023

CVFC: 跨视图特征一致性基于注意力的病理图像弱监督语义分割

CVFC: Attention-Based Cross-View Feature Consistency for Weakly Supervised Semantic Segmentation of Pathology Images

Liangrui Pan, Lian Wang, Zhichao Feng, Liwen Xu, Shaoliang Peng

TL;DR提出了一种基于注意力机制的跨视图特征一致性端到端伪掩膜生成框架（CVFC），通过三个分支的联合框架，使用多尺度集成特征图生成类激活图（CAM），并通过特征一致损失和特征交叉损失对 CVFC 的参数进行优化，最终在 WSSS4LUAD 数据集上取得了 IoU 为 0.7122 和 fwIoU 为 0.7018 的结果，分别优于 HistoSegNet、SEAM、C-CAM、WSSS-Tissue 和 OEEM。

Abstract

histopathology image segmentation is the gold standard for diagnosing cancer, and can indicate cancer prognosis. However, histopathology image segmentation requires high-quality masks, so many studies now use ima

histopathology image segmentation pseudo-mask generation attention mechanism co-training wsss4luad dataset

发现论文，激发创造

基于网络图像共分割的弱监督语义分割

该研究提出了一种使用网络图像和图像级标签进行弱监督下的全卷积网络语义分割的方法，其利用大规模的共同分割框架从网络图像中生成标签，获得了 56.9 的交并比，在语义分割方案中取得了最新的性能。

May, 2017

基于像素原型对比的弱监督语义分割

本文提出了一种基于像素级原型对比度的弱监督语义分割方法，通过两种直观的先验知识，对图像的不同视角和单个视角内进行执行，旨在实施跨视图特征语义一致性规则，并促进特征空间的内部（间）类一致性（离散度），从而提高了两个强基线模型的精度，并在 PASCAL VOC 2012 上实现了新的最先进水平。

Oct, 2021

多维融合与一致性的半监督医学图像分割

本文介绍了一种新颖的针对医学图像分割的半监督学习框架，核心是创新的多尺度文本感知 ViT-CNN 融合方案，该方案巧妙地结合了 ViTs 和 CNNs 的优势，充分利用了视觉 - 语言模态中的互补信息。进一步丰富我们的框架，我们提出了多轴一致性框架，生成稳健的伪标签，从而提升了半监督学习过程。我们在多个常用数据集上进行了广泛的实验，这些实验无可辩驳地证明了我们方法的有效性。

Sep, 2023

利用语义分割的多阶段病理图像分类

本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

Oct, 2019

基于交叉伪标签的半监督医学图像分割方法：加强和弱数据增强策略

通过数据增强和伪标签生成、筛选和改进过程的适当强调，本研究基于半监督模型 DFCPS 提出了新颖的交叉伪监督概念，将一致性学习与自训练相结合，充分利用了伪标签的多个角度，从而提高了训练多样性和模型性能。

Feb, 2024

CAFCT：卷积神经网络和 Transformer 的上下文和注意力特征融合在肝肿瘤分割中的应用

我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和 Transformer 混合网络（CAFCT）模型，用于肝肿瘤分割。在所提出的模型中，引入了其他三个模块：注意力特征融合（AFF）、DeepLabv3 的 Atrous 空间金字塔池化（ASPP）和注意力门（AGs），以改善与肿瘤边界相关的上下文信息，以实现准确的分割。实验结果表明，所提出的 CAFCT 在 Liver Tumor Segmentation Benchmark（LiTS）数据集上分别达到了 90.38% 的平均交并比（IoU）和 86.78% 的 Dice 分数，优于 Pure CNN 或 Transformer 方法，如 Attention U-Net 和 PVTFormer。

Jan, 2024

自适应加权多视场卷积神经网络在病理学语义分割中的应用

本文提出了一种自适应加权多视野卷积神经网络（AWMF-CNN）用于 WSI 图片的多种癌症亚型区域的图像分割。该方法使用不同放大倍率的图像特征，据此自适应地调整每种图像特征在融合过程中的权重，并成功优于其他先进方法。

Apr, 2019

可靠性至关重要：一种端到端的弱监督语义分割方法

本文提出了一种基于图像级别信息的全新弱监督语义分割方法，该方法不需要使用复杂的伪标签生成过程，而是利用图像分类信息产生可靠的像素级别的注释，然后使用全新的稠密能量损失函数和端到端网络进行图像分割。通过拓展基于图像分类信息产生的像素级别注释的的一步法到两步法模型，我们在 Pascal VOC 数据集上达到了最新的最高水平性能。

Nov, 2019

基于多视角语义一致性的文本监督分割掩模发现 (ViewCo)

本文提出了一种基于文本监督的分割方法，使用多视角一致性学习的方法解决了现有工作中对于同一图像的多个视角的对应问题。实验结果表明，该方法在几个数据集上的平均表现比现有方法提高了最高 2.9％的 mIoU。

Jan, 2023

将全局上下文和局部内容耦合在一起进行弱监督语义分割

我们提出了一种单级 WSSS 模型（WS-FCN），它可以捕获由相邻特征网格形成的多尺度上下文，并将低级特征中的细粒度空间信息编码到高级特征中，通过全局物体上下文和本地区域内容消除二者的限制。该模型可以有效地进行自我监督，并在 PASCAL VOC 2012 和 MS COCO 2014 数据集上实现了最先进的结果。

Apr, 2023