AdLER:基于标签错误校正的对抗训练方法用于一次性医学图像分割
本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法,生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性,该方法可用于有监督和半监督学习中的一般分割网络的插件模块,并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。
Jun, 2020
本研究提出了一种新的端到端的合成和分割神经网络(EssNet),可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割,相比于使用合成图像独立训练分割网络的两阶段方法(0.8801),以及使用 CT 手动标签的规范多张分割方法(0.9125)和 ResNet 方法(0.9107),EssNet 取得了显著更高的中位数 Dice 相似系数(0.9188)。
Dec, 2017
该研究提出了一种名为异常 - 正常翻译生成对抗网络(ANT-GAN)的医学图像合成模型,能够根据异常图像生成与之对应的正常图像,该模型在医学影像分割或分类任务中提供了有用的辅助信息,并且能够用于数据增强。
Oct, 2018
通过引入新的交叉对抗局部分布(Cross-ALD)正则化方法,进一步增强医学图像半监督分割任务中的平滑性假设,本文在公共 LA 和 ACDC 数据集上进行了全面的实验,并取得了最先进的性能。
Oct, 2023
本文提出了一种基于正反向一致性的循环对应学习设计,将一次性分割方法作为传统的基于图谱的分割问题来处理,从而使标签可以通过学习实现自动转移。该方法在医学图像分割中表现优异。
Mar, 2020
本研究提出了一种名为 SegAN 的端到端对抗神经网络,用于医学图像分割任务,它通过采用全卷积神经网络作为段分割器、提出一种新的对抗批判者网络,并使用多尺度 L1 损失函数来强制批判者和分割器学习全局和局部特征,从而实现更稳定、更有效的分割。在使用来自 MICCAI BRATS 脑肿瘤分割挑战的数据集进行测试后,表明 SegAN 具有优异的性能。
Jun, 2017
本文提出了一种使用扩散概率模型和对抗性学习的扩散对抗性表示学习(DARL)模型,用于血管分割,该模型可以在无监督和自监督的情况下学习,并且可以应用于冠状动脉和视网膜图像的血管结构分割。通过实验,我们证明该方法显著优于现有的无监督和自监督的血管分割方法。
Sep, 2022
本研究旨在解决医学影像分析任务中现有标准对抗训练方法中的问题,提出了一种生成适应性噪声的自适应边界对抗训练(AMAT)方法,改进了深度神经网络(DNNs)的鲁棒性,提高了模型的稳健性。
Jun, 2022
本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法,该方法在三个公共医学影像分割数据集上表现良好,尤其是在注释数量较少且出现较大不一致性的情况下。
Jul, 2020
我们提出了一种基于生成对抗网络(GANs)的新方法,用于使用标记和未标记的图像训练分割模型,并针对神经影像学中的 3D 多模态医学图像分割问题进行了全面分析。在对 iSEG-2017 和 MRBrainS 2013 数据集进行试验后,我们报告了与完全监督训练相比的显着性能提高。
Oct, 2018