Oct, 2023

病理图像配准的语义感知无监督分割的协同学习

PDF
TL;DR本文提出了 GIRNet，一种通过分割和修复原则 (GIR) 将分割、修复和注册模块同时训练的新颖无监督病理图像注册方法。在多个数据集上的实验结果表明我们的方法能够准确实现病理图像的注册，并在挑战性成像模式下有效地识别病变。我们的无监督方法为高效和经济的病理图像注册提供了有希望的解决方案。
pathological image registrationgirnetunsupervised approachsegmentationinpainting
发现论文，激发创造
  • 前列腺 MRI 和组织病理图像的弱监督配准

    该研究提出了一种弱监督的 MRI 和组织病理学图像的仿射和可变形配准方法，用于早期检测前列腺癌，可以减轻需要前列腺分割的负担，并取得了比其他方法更高的准确度。

    Jun, 2021

  • 医学图像配准的半弱监督神经网络训练

    通过弱监督方法以及对未标记数据应用一致性无监督损失，本文提出了一种半弱监督注册流程，改进了模型性能，并构建了一个计算解剖图谱用于盆腔结构。

    Feb, 2024

  • 形变多模态图像配准用于光学测量与组织学图像的相关性

    利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

    Nov, 2023

  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

    Apr, 2020

  • 利用语义分割的多阶段病理图像分类

    本论文提出了一种新的模型结构，将基于补丁的分类模型和整个切片比例的分割模型相结合，以提高自动病理诊断的预测性能，并通过优化方法，使模型部分地进行端到端学习，应用于 WSI 的肿瘤 / 正常预测，与传统基于补丁的方法相比，分类的性能得到了提高。

    Oct, 2019

  • DeepAtlas: 图像注册和分割的联合半监督学习

    本文提出了一种基于深度学习的框架，联合学习图像配准和图像分割网络，在考虑到现有分割数据的情况下，同时提高分割和配准的准确性，并利用配准产生的数据增强对分割网络进行训练，实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上，与以往研究相比，我们的方法具有更高的分割和配准准确度，且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。

    Apr, 2019

  • GAN 迁移学习：将标注和未标注数据结合进行 GAN 数据增广

    利用带标签和未标签数据结合的生成对抗网络模型进行医学影像分割，验证了该方法在阿尔兹海默病数据集上可以有效提高灰质深部结构分割的准确性。

    Nov, 2018

  • 关于有限标注的器官危及与肿瘤体积分割的分离式对比学习

    该研究提出了一种名为 SepaReg 的分离区域级对比学习方案，通过图像分离和内部 - 跨组织蒸馏，解决了有限的像素注释和像素的语义相似度问题，从而在被用于放射治疗计划中的器官以及肿瘤体积的识别和定位中实现了更准确的性能表现。

    Dec, 2021

  • 贝叶斯固有群体图像配准：解开解剖和几何之间的无监督分离

    该论文提出了一种基于贝叶斯学习的医学图像多模式群组注册的通用框架，通过概率建模图像生成过程中的公共解剖结构和几何变化，利用贝叶斯推理实现了群组注册。论文提出了一种新颖的层次化变分自编码架构，可以以数学可解释的方式计算注册参数，通过无监督闭环自重构过程实现群组注册，并且这种架构具有计算效率高、可扩展性强的特点。通过对心脏、脑部和腹部医学图像四个数据集的广泛实验证明了该框架的优越性，包括准确性、效率、可伸缩性和可解释性。

    Jan, 2024