Sep, 2023

基于 Transformer 的跨模态肿瘤分割的图像级监督和自训练

PDF
TL;DR我们提出了一种名为 MoDATTS 的新的半监督训练策略，用于处理自动医学图像分割中存在的模态遗传性问题，并通过图像转换和视觉转换器实现更准确的肿瘤分割。该模型在 CrossMoDA 2022 挑战中表现出优越的性能，并在 BraTS 2020 挑战数据集上显示出一致的改进。
deep neural networksmedical image segmentationcross-modalitymodattssemi-supervised training
发现论文，激发创造
  • 利用部分标记的数据进行多器官和肿瘤分割的学习

    提出了一种基于 Transformer 模型的多动态分割网络 TransDoDNet，在多个部分标记的数据集上学习器官和肿瘤的分割，并创造了一个大规模的部分标记的多器官和肿瘤分割基准 MOTS，结果表明 TransDoDNet 在七项器官和肿瘤分割任务中性能优异。

    Nov, 2022

  • 使用生成混合增强和自训练的交叉模态肿瘤分割

    本文介绍了一种用于肿瘤分割的新型深度学习方法，该方法使用了基于图像转换和 Segementation 的迭代自训练算法以及一种名为 GBA（Generative Blending Augmentation）的数据增强技术，使用 SinGAN 生成模型来使目标肿瘤出现得更加真实，从而提高了分割模型的泛化能力，并在 MICCAI CrossMoDA 2022 演示中的肿瘤分割任务中名列前茅。

    Apr, 2023

  • 基于扩散的零样本医学图像到图像转换用于跨模态分割

    通过使用深度生成模型，本文提出了一种新颖的无监督图像转换方法，以实现零样本跨模态图像分割任务，并通过与其他生成模型的实证比较进行了验证。

    Apr, 2024

  • 跨模态医学图像分割的简单而强大的框架: Vision Transformers 应用

    通过使用单一的条件模型，根据输入类型调整其归一化层来实现多模态图像的公平图像分割，并在多模态全心分割挑战中优于其他跨模态分割方法。

    Oct, 2023

  • 利用在线互相知识蒸馏实现跨模态医学图像分割

    本文提出了一种利用形状先验知识和图像对齐模块，通过多模态数据协同分割医学图像的方法，并通过实验在 MMWHS 2017 数据集上验证了该方法在 CT 分割上的优越性。

    Oct, 2020

  • 使用对抗性损失对卷积神经网络进行生物医学图像分割的无监督跨模态域自适应

    本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

    Apr, 2018

  • 基于变换不变自训练的医学图像分割领域适应

    半监督学习策略 —— 转化不变自训练（TI-ST）方法，通过评估像素级伪标签的可靠性并在自训练过程中过滤不可靠的检测，解决标签缺失和提高目标域分割性能。

    Jul, 2023

  • 深度学习中的医学图像分割实现跨维度迁移学习

    本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法，该方法基于权重转移和维度转移的两个关键原则，实验证明其在多维医学图像分割方面表现出色。

    Jul, 2023

  • 无监督的肿瘤感知蒸馏用于多模态脑图像转换

    本文提出了一种无监督的肿瘤感知蒸馏师生网络 UTAD-Net，通过教师网络学习源模态到目标模态的映射，然后将映射知识蒸馏到学生网络，使其能够生成更真实的肿瘤区域和完整图像，实验表明我们的模型在图像质量的定量和定性评估以及后续分割任务上表现出竞争性的性能。

    Mar, 2024

  • 跨模态视觉转换器的交互式图像分割

    本研究提出一种交互式图像分割网络，利用跨模态视觉 transformers 来更好地指导学习过程，并且在多个基准测试中实现了优越的性能表现，具有实用的注释工具潜力。

    Jul, 2023