USL-Net: 无监督皮肤病变分割的不确定性自学习网络
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
该论文提出了一种基于 HRNet 的弱监督方法,称为 AHRNet,通过区域级别集合(RLS)损失进行优化,可实现精准的通用病变分割,实验证明在公共数据集 Deeplesion 上取得了最佳表现。
May, 2021
该研究提出了一种简单而新颖的基于卷积神经网络(CNN)的 “网络中的网络” 方法,用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理,配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上,该方法的 Dice 相似度系数达到 0.915,准确率达到 0.959,在 ISBI 2017 数据集上,Dice 相似度系数达到 0.947,准确率达到 0.971。
May, 2020
本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务,实验结果在 ISIC 2017 测试集上表现出有前景的准确率
Mar, 2017
通过整合多层感知器和卷积神经网络,我们提出了一种高效低成本的 UCM-Net 解决方案,用于皮肤病变分割,其参数不超过 50KB 且每秒运算次数不超过 0.05 Giga-Operations,为皮肤病变分割领域的高效性设立了新的可能标准。
Oct, 2023
通过最大化不同视角下的镜检和临床图像之间的相似性,聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。
Oct, 2023
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
本研究提出了一种基于半监督学习的医学图像分割方法,该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据,并自动选择最佳的伪注释,进而在不需要全部标注的情况下,实现了分割模型在医学 3D 数据集上更好的性能,验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。
May, 2023
使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络(CNN)的联合检测和分割框架,对皮肤病变进行准确和自动地划分,并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。
Aug, 2018
本文提出了一种名为 Triple-UNet 的算法,用于自动分割皮肤病变。该算法将三个 UNet 架构进行有机结合,并引入了区域增强模块 (ROIE),通过利用第一个 UNet 的预测评分图增强图像中的目标对象区域。通过第一个 UNet 学习到的特征和增强后的图像,帮助第二个 UNet 获得更好的评分图。最终,通过第三个 UNet 对结果进行微调。实验证明,Triple-UNet 在皮肤病变分割方面优于现有技术。
Nov, 2023