ICCVSep, 2023

适应锁定思维网络解密心灵

PDF
TL;DR该论文介绍了一种自适应锁定不可知网络（ALAN）的方法，通过自我监督的视觉特征提取和解剖鲁棒的语义自分割来应对医学成像应用中标记数据不足的问题，并应用于三个公开的超声心动图数据集，结果表明这种方法能够稳定地识别心脏的解剖子区，并设计了两个下游模型用于解剖区域分割和超声心动图视图分类。
supervised trainingdeep learning modelsself-supervised visual feature extractionsemantic self-segmentationechocardiography datasets
发现论文，激发创造
  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • 自我监督辅助主动学习用于皮肤病变分割

    本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

    May, 2022

  • 半监督三维左心房分割的不确定性感知自组装模型

    本文介绍了一种新颖的基于不确定性的半监督深度学习框架，可将未标记的数据有效地整合到左心房分割任务中，并在医学图像分析领域中表现出潜在的半监督解决方案。

    Jul, 2019

  • 手术视频分割的相关感知主动学习

    该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

    Nov, 2023

  • 解剖限制神经网络 (ACNN)：心脏图像增强和分割应用

    提出了一种新的训练策略，通过学习有关器官形状和位置的先验知识，将其应用于 CNN 中，以改善图像分析方法的性能，改进了 CNN 的分割效果，成功将其应用于心脏数据集并探讨了其在分类心脏病理学方面的应用。

    May, 2017

  • 自我监督的 TransUNet 用于儿童尺骨远端超声区域分割

    使用无标签领域特定数据进行自监督学习的方法在医学图像上产生了令人注目的效果，该论文研究了在儿童腕部超声扫描中使用 TransUNet 的口罩自编码器自监督学习 (SSL-MAE) 方法，用于分割骨骼区域，并发现改变嵌入和损失函数能够产生比原始 SSL-MAE 更好的下游结果。此外，通过实验发现，仅使用 SSL-MAE 对 TransUNet 进行预训练并不能与无 SSL-MAE 预训练的 TransUNet 在下游分割任务中取得相同效果。

    Sep, 2023

  • 使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

    使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

    Jun, 2018

  • UniLVSeg：通过自监督时序遮罩和弱监督训练实现左室超声心动图视频的统一分割

    该研究提出了一种新颖的方法，通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，相比最先进的解决方案，在效率更高的同时，取得了 93.32% 的 Dice 得分，并通过包含未标记帧在训练过程中实现高数据效用。

    Sep, 2023

  • 基于不确定度采样、注释冗余限制和数据初始化的脑肿瘤分割主动学习

    本研究探讨了使用 dropout 不确定性评估的 active learning 策略以降低医学 3D 成像中神经胶质瘤 MRI 图像分割所需的大量注释数据，实现了最少数据量达到与全数据集训练相同水平的性能。

    Feb, 2023

  • 机器人辅助心血管导管插管中多侧分支解码弱监督学习的导丝分割

    通过多侧面伪标记的弱监督学习方法，提供便宜且实时的方法，用于机器辅助下心脏导管介入手术中的工具分割和追踪。

    Apr, 2024