大脑肿瘤分割的组合表示学习

Oct, 2023

Compositional Representation Learning for Brain Tumour Segmentation

Xiao Liu, Antanas Kascenas, Hannah Watson, Sotirios A. Tsaftaris, Alison Q. O'Neil

TL;DR通过使用无监督学习和弱监督学习，以及非穷尽的像素级病理标签，我们在大量弱标记数据和少量完全标记数据的情况下，成功地实现了良好的脑肿瘤分割性能。

Abstract

For brain tumour segmentation, deep learning models can achieve human expert-level performance given a large amount of data and pixel-level annotations. However, the expensive exercise of obtaining pixel-level an

brain tumour segmentation deep learning models pixel-level annotations unsupervised learning vmfnet

发现论文，激发创造

组合等变表示学习

本文研究在医学成像中使用组合性来学习更可解释和泛化的表示，通过使用可学习的 von-Mises-Fisher (vMF) 核来建模组成性表示，并探索如何使用不同的设计和学习偏差来实现半监督域泛化医学图像分割任务的最佳性能。

Jun, 2023

利用不完整影像数据进行脑肿瘤分割

本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响，检验 MRI 数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。

Jun, 2022

针对脑肿瘤分割问题的弱监督微调方法

本研究利用同时使用 MRI 图像中的像素级注释和图像级注释，提出了一个学习框架，用于大脑肿瘤的分割模型，并研究了像素级注释和图像级注释的比较量对分割质量的影响，并将我们的方法与传统的全监督方法进行比较，并展示了我们的方法在分割质量方面的优势。

Nov, 2019

3D 多模 MRI 扫描中脑肿瘤的综合分割

通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019

医学图像分割密集层级表示的自监督学习

通过自监督框架学习适用于密集下游任务的体素级粗细粒度表示，通过平衡多尺度特征的贡献，确保学习到的表示捕捉到粗粒度和细粒度的细节，并在有限的注释数据下持续优于基准模型。

Jan, 2024

有限标注数据下乳腺 X 光大片肿块分割的半监督和弱监督学习

我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

Mar, 2024

学习组合表示用于少样本识别

通过引入简单的正则化技术以及利用类别级别属性注释对神经网络进行特征空间分解，本工作试图弥合深度学习模型与人类学习之间的鸿沟，证明组合表示的价值并展示少量样本即可学习新类别的分类器。

Dec, 2018

学习未学习特征用于脑肿瘤分割

本文提出了基于主动学习和元学习的功能微调算法，以帮助网络不忘记原始任务，实现大脑肿瘤分割的准确识别，并展示了从高级别胶质瘤到脑转移的迁移学习方法，证明所提出的算法可以在短时间内实现对于胶质瘤和脑转移领域的平衡参数。

May, 2023

梯度引导采样的脑 MR 图像暗示性标注

提出有效的脑 MR 图像注释框架，通过少量提示性注释样本训练可达到与完整数据集训练相媲美的性能，从而节省手动注释成本并提高医学图像处理中的数据效率。

Jun, 2022

基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 2023