ICCVAug, 2023

优化交叉熵权重和利用自编码器进行后处理以增强医学图像分割

PDF
TL;DR我们提出了一种针对医学图像分割的深度学习方法，对于皮肌炎数据集，在 ResNet 系列编码器上，我们的方法相对于 U-Net 和 U-Net++ 的当前最先进技术平均提高了 12.26% 和 12.04%，同时我们还探究了优化损失函数权重的重要性，并在三个具有挑战性的医学图像分割任务上对我们的方法进行了基准测试。
发现论文，激发创造
  • 一种数据高效的深度学习框架，用于组织病理学图像的分割和分类

    该论文中介绍了一种利用深度学习方法对人体组织进行皮肤肌炎活检的细胞自动分类和分割的方法，在细胞分类和分割方面的表现均有所提升，该方法对研究自身免疫性疾病的细胞组成有着可靠的应用前景。

    Jul, 2022

  • 自动设计用于医学图像分割的 CNN 架构

    本文提出了一种基于策略梯度强化学习的超参数自动优化算法，旨在针对医学图像分割任务设计神经网络结构，并提出了一种密集连接编码器 - 解码器 CNN 作为强基线架构，结果表明该算法的计算成本低且效果显著达到了同领域最先进水平。

    Jul, 2018

  • 用于显微原位杂交图像分析和分类的自动编码器优化

    本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

    Apr, 2023

  • 医学图像及相应分割掩膜的端到端自编码架构

    基于 Hamiltonian 变分自编码器（HVAE），提出了一种解决医学图像分割中训练数据不足挑战的端到端架构，通过改进传统变分自编码器（VAE）的后验分布近似，提高图像生成质量，在数据稀缺条件下优于生成对抗架构，实现了图像质量的优化和准确的肿瘤掩膜合成。在 MICCAI 的 Brain Tumor Segmentation Challenge（BRATS）和 Head and Neck Tumor Segmentation Challenge（HECKTOR）两个公开数据集上进行了实验，证明了我们方法在不同的医学成像模态上的有效性。

    Nov, 2023

  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019

  • D-TrAttUnet：面向医学图像的通用和细微分割的混合 CNN-Transformer 架构

    近 20 年来，医学影像的机器分析迅猛发展，为几个重要的医疗应用提供了巨大的潜力。其中，病变分割是一个特别具有挑战性的任务，有着迫切的需求，而我们提出的新型解决方案 ——D-TrAttUnet 架构在 Covid-19 和骨转移分割的任务中取得了优越的表现，并且其混合编码器在腺体和细胞核的分割中也表现出色，巩固了它在现代医学图像分析中的地位。

    May, 2024

  • 基于深度学习的全扫描组织病理学图像压缩分类技术

    本文提出了一种基于自编码器的神经网络架构，用于压缩组织病理学图像，同时保留原始图像的更密集和更有意义的表征。我们提出了一种简单而新颖的方法来监督压缩神经网络，试验表明，我们的方法可以在保持良好压缩率的同时实现更高的图像分类性能。

    May, 2023

  • 医学图像分割深度学习方法的自动设计

    利用人工智能中的深度学习技术，基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化，该框架不需要人工参与，能够自动适应不同的数据集和分割任务，同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。

    Apr, 2019

  • T-AutoML：使用 3D 医学影像变换器进行病变分割的自动化机器学习

    本文提出了一种新的自动化机器学习算法 T-AutoML，它不仅可以搜索最佳神经结构，而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先进的性能。

    Nov, 2021

  • 鉴别性哈密顿变分自编码器在数据稀缺情况下精准肿瘤分割

    通过提出基于 Hamiltonian 变分自动编码器（HVAE）和区别性正则化的新的端到端混合架构，我们的方法可以准确估计图像和蒙版的联合分布，从而生成具有较少伪影和离群实例的逼真医学图像。通过在丰富增强的数据集上以切片方式操作，我们的架构可以快速且准确地分割 3D 体积，在 BRATS（MRI 模态）和 HECKTOR（PET 模态）两个公开数据集上的实验证明了我们提出的方法在有限数据的不同医学成像模态上的有效性。

    Jun, 2024