医学图像分割深度学习模型认证
本文提出一种名为 “Demasked Smoothing” 的方法,可以通过不需要模型结构或训练上的改变,提高深度学习模型抵抗语义分割任务中新兴的对抗性贴花攻击的鲁棒性,提供了可靠的检测和恢复机制。
Sep, 2022
提出了一种基于随机平滑的图像和点云分割的新认证方法,利用多重测试机制确保统计保证,并能够对单一像素或点进行分类性弃权,实现对整个输入的鲁棒分割,实验证明算法在真实世界的分割任务中具有具有竞争力的精度和认证保证。
Jul, 2021
该研究提出了一种利用扩散模型和随机采样方法生成多个可行的医学图像分割结果的方法,这种方法应用于 CT、超声波和 MRI 图像时,不仅能够提高分割准确度而且能够捕捉自然变异,同时还提出了一种度量分割结果多样性的新指标。
Apr, 2023
本文提出了基于已认证半径的白盒攻击框架和基于带有反馈的黑盒攻击框架,用于攻击现代图像分割模型。通过使用像素的已认证半径来设计认证半径引导的损失,我们证明了我们的攻击框架的有效性和鲁棒性。
Apr, 2023
该研究介绍了一种生成模型 DDMM,可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果,并提供数据增强来优化分割性能,优于其他采用数据中心化方法的技术。
Apr, 2023
在这篇论文中,我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点,并在两个基准数据集(结核病胸部 X 射线和卵巢肿瘤)上定量评估了它们的性能。最后,我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。
Aug, 2023
通过扩充小规模或不平衡数据集来生成高质量的影像,本研究提出了一种扩散模型来实现解剖结构控制的医学影像生成,有别于现有模型,该模型在每个采样步骤中遵循多类解剖学分割掩模,并采用随机掩模消融算法来实现对所选解剖约束的条件控制。在乳腺磁共振成像和腹部 / 颈至骨盆 CT 数据集上进行比较评估,验证了本模型对于解剖结构真实性和掩模准确性的优越性。此外,我们提供易于使用的代码库并发布了一个生成的成对乳腺磁共振成像数据集,该方法具有多种应用,包括预注册影像生成和反事实情境分析等。
Feb, 2024