OneSeg: 基于自学习和单次学习的用于 3D 医学图像分割的单切片标注
本文提出了一种基于 3D 少样本学习的器官分割框架,通过学习支撑数据的 2D 片段与查询图像之间的关系,包括一个学习编码特征的双向门控循环单元(GRU),以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试,该模型的性能显著优于最先进的少样本分割模型,并且与使用更多目标训练数据训练的完全监督模型相当。
Nov, 2020
本研究利用注意力导向的主动学习策略,针对 3D 医学图像分割问题,仅需要标记 15%至 20%的脑提取任务中的切片和 30%至 35%的组织分割任务中的切片,便可达到与全标注数据相比的相似结果。
Jun, 2019
提出了一种利用正交标注和稠密 - 稀疏共训练的半监督学习方法来应对 3D 医学图像分割中的标注问题。实验结果表明,该方法在表现和效率上都具有较高的水平。
Mar, 2023
基于深度学习的医学图像自动分割系统面临大量数据标注成本和模型迭代中的高延迟问题,本研究提出了一种动态交互学习框架,通过将交互式分割与端到端弱监督学习和流式任务集成,解决了这些挑战。我们开发了新颖的重放和标签平滑方案,克服了灾难性遗忘并提高了在线学习的鲁棒性,并在每个图像上同时优化前端预测和深度学习分段器的多轮交互式分割模块。通过空间残差图,我们训练的分段器明确地指导下一步的用户干预,从而实现了弱监督信号的蒸馏。通过在三维分割任务(NCI-ISBI2013 和 BraTS2015)上的评估,我们的框架生成了与离线训练基准相匹配的在线学习性能。此外,我们的框架减少了 62% 的标注工作量,并且在与具有完整 ground truth 的在线和离线学习进行对比时,生成了具有竞争力的 dice 分数。此外,由于其灵活性和响应能力,这样的框架可以部署在保证数据安全和简便维护的医院防火墙之后。
Dec, 2023
建立了一种深度学习方法,探索了稀疏标注,即每个 3D 训练 MR 图像只有一个 2D 切片进行标注,与 ICT 相比,该方法在分割准确性方面取得了显著提升,对于前列腺分割,平均 B-IoU 增加了 10.0% 以上(提出的方法 B-IoU:70.3% vs. ICT B-IoU:60.3%),对于左心房分割,平均 B-IoU 增加了 6.0% 以上(提出的方法 B-IoU:66.1% vs. ICT B-IoU:60.1%)。
Dec, 2023
通过 3D 和 2D 网络的交叉教学,我们提出了一种从稀疏注释中稳健学习的框架,采用硬 - 软置信度阈值和一致标签融合两种伪标签选择策略,实验证明我们的方法优于半监督分割方法的最先进成果,并且与全监督的上限结果相媲美。
Jul, 2023
本文提出了针对五种不同的自监督学习方法的三维版本,利用这些技术进行神经网络特征的学习,通过对三维图像的预处理,显著提高语义表示的精确性,从而在医学成像领域实现了数据效率、性能和收敛速度的提升,具有较高的竞争力和可扩展性。
Jun, 2020
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018
SAM3D 是一种新的半自动零射击 3D 图像分割方法,通过现有的任意分割模型,利用四步策略实现在 3D 图像中快速且准确的分割,可以帮助手术规划和教育、诊断成像以及科学研究。
May, 2024
我们介绍了多切片推理,这是一种新的单视图 3D 重建概念,挑战了多视图综合是单视图和 3D 之间最自然的桥梁的当前和普遍的观念。我们的关键观察是,通过物体切片来揭示被遮挡的结构比改变视角更有优势。具体而言,切片能够更好地揭示遮挡物,因为它可以在没有阻碍的情况下穿过任何遮挡物。在极限情况下,即使用无限多个切片,它能够揭示所有隐藏的物体部分。我们通过开发名为 Slice3D 的新方法来实现我们的想法,该方法首先从单个 RGB 图像预测多个切片图像,然后使用基于坐标的转换网络将这些切片集成到 3D 模型中以进行有符号距离预测。切片图像可以通过 U-Net 网络进行回归或生成。对于前者,我们通过注入可学习的切片指示器代码将每个解码图像指定到一个空间切片位置,而切片生成器是在输入通道上堆叠的切片图像的去噪扩散模型。我们进行了广泛的评估,与最先进的替代方法进行了比较,以展示我们方法在恢复复杂且严重遮挡的形状结构中的优越性,尤其是在存在歧义的情况下。所有 Slice3D 的结果都是由在单个 Nvidia A40 GPU 上训练的网络产生的,推理时间不到 20 秒。
Dec, 2023