ICCVAug, 2023

自我监督语义分割：变换一致性

PDF
TL;DR通过使用自监督算法 S³-Net 结合 Inception Large Kernel Attention（I-LKA）模块、可变形卷积和空间一致性损失项，本研究提出一种精确医学图像分割方法，并在皮肤病变和肺器官分割任务中展现了超越 SOTA 方法的卓越性能。
medical image segmentationsupervised deep learningself-supervised algorithmlesion deformationsspatial consistency
发现论文，激发创造
  • 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

  • 遮蔽式 LoGoNet：医学领域快速精确的三维图像分析

    本研究介绍了一种名为 LoGoNet 的新型神经网络架构，通过自监督学习方法解决了现有机器学习图像处理方法在医学应用中的挑战，提高了医学影像分割的性能。

    Feb, 2024

  • 通过自监督对比学习利用无标签数据进行三维医学图像分割

    我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

    Nov, 2023

  • 关键点增强的有限注释医学图像分割的自监督学习

    通过自我监督预训练的卷积神经网络（即 UNet）已经成为在低标注情况下促进医学图像分割的强大方法。我们提出了一种关键点增强的融合层，它提取保留短程和长程自我注意力的表示，并且在全局和局部尺度上引入了自我监督预训练，通过创建关键点之间的对应关系并鼓励特征之间的相似性来提高分割结果。

    Oct, 2023

  • 探索半监督医学图像分割中的光滑性和类别分离性

    该研究提出了一种在医学图像中使用的半监督图像分割方法 SS-Net，利用像素级的平滑性和类间分离来实现更好的效果。该方法在两个半监督设置下的实验结果表明了其卓越性能，并取得了最新的最佳表现。

    Mar, 2022

  • 基于变换一致自我集成模型的半监督皮肤病变分割

    本文介绍一种基于半监督学习的皮肤病病变分割新方法，通过标记和未标记数据的加权结合优化神经网络，通过不同正则化方法提高像素级预测效果，实现对少量标记数据进行高效训练，并在 ISIC 2017 皮肤病病变分割竞赛中取得 2000 个标记数据以下更好的性能。

    Aug, 2018

  • 医学图像分割的自我监督对齐学习

    最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

    Jun, 2024

  • 有限数据注释的自监督 RCNN 用于医学图像分割

    本文提出一种基于自监督预训练的医学图像分析深度学习训练策略，通过将不同扭曲应用于图像的随机区域，预测扭曲的类型和信息的损失，并使用改进的 Mask-RCNN 体系结构定位扭曲位置和恢复原始图像像素，将该方法用于分割任务，能够提高 Dice 分数 20%。

    Jul, 2022

  • 医学图像的形状感知半监督三维语义分割

    本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

    Jul, 2020

  • S$^3$M-Net: 自主驾驶中语义分割与立体匹配的联合学习

    本文介绍了一种新的联合学习框架 S^3M-Net，用于同时进行语义分割和立体匹配，通过特征共享和融合来提高整体场景理解能力，通过最小化语义一致性引导损失来训练整个联合学习框架，在 vKITTI2 和 KITTI 数据集上进行实验，证明了该框架的有效性和超越其他单任务网络的性能。

    Jan, 2024