Oct, 2023

跨对抗本地分布正则化的半监督医学图像分割

PDF
TL;DR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。
medical semi-supervised segmentationlimited annotated datasmoothness assumptioncross-ald regularizationstate-of-the-art performance
发现论文，激发创造
  • 半监督医学图像分割与协同分布对齐

    本文提出了一种基于 Co-Distribution Alignment (Co-DA) 的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公共数据集上优于现有半监督医学图像分割方法。

    Jul, 2023

  • Dcl-Net: 双对比学习网络用于半监督多器官分割

    我们提出了一个双对比学习网络，在半监督多器官分割中利用全局和局部对比学习加强图像和类别之间的关系。在第一阶段，我们开发了一个基于相似度引导的全局对比学习来探索图像之间的隐含连续性和相似性，并学习全局上下文。然后，在第二阶段，我们提出了一个器官感知的局部对比学习来进一步吸引类别表示。为了减轻计算负担，我们引入了一个掩码中心计算算法，用于压缩局部对比学习的类别表示。我们在公共的 2017 年 ACDC 数据集和内部的 RC-OARs 数据集上进行的实验证明了我们方法的优越性能。

    Mar, 2024

  • 一种极其简单的一致性正则化半监督医学图像分割方法

    本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

    Feb, 2022

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019

  • 半监督领域适应医学图像分割通过一致性规则的解耦对比学习

    本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

    Jul, 2023

  • 半监督医学图像分割的相关感知互学习

    本文提出了一种全新的互相关注意力的半监督学习方法，该方法结合标签数据和未标签数据的特点，在医学图像分割任务中实现了更好的表现。

    Jul, 2023

  • 半监督医学图像分类的类别特定分布对齐

    提出一种基于自我训练的半监督学习框架，通过改变向量空间中边缘预测的基础，捕捉有关标记和未标记数据的类依赖性边缘预测，以避免对多数类别的偏见，从而解决医学图像分类中的数据注释耗时和类别分布不平衡的问题。

    Jul, 2023

  • 基于双任务一致性的半监督医学图像分割

    本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

    Sep, 2020

  • 减轻语义级别转移：一种用于语义分割的半监督域自适应方法

    本文提出了一种半监督的方法 ASS 来处理域自适应问题，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明，使用少量的注释样本，ASS 可以显著优于目前的无监督方法，并可以通过增加目标域的注释样本克服针对源域的过度拟合.

    Apr, 2020