Oct, 2023

基于竞争集成师生框架的半监督左心房 MRI 分割

PDF
TL;DR本文提出了一种简单而高效的竞争集成教师学生框架，用于从 3D MR 图像中半监督地分割左心房，通过利用无标记数据并提供可靠信息给教师模型，以实现不同学生模型之间的协作学习并达到更好的性能。通过在公开 Left Atrium（LA）数据集上评估，我们的方法在有效利用无标记数据方面取得了显著的性能提升，并优于几种现有的半监督方法。
semi-supervised learningmedical image segmentationcompetitive ensemblingteacher-student frameworkleft atrium segmentation
发现论文，激发创造
  • 半监督三维左心房分割的不确定性感知自组装模型

    本文介绍了一种新颖的基于不确定性的半监督深度学习框架，可将未标记的数据有效地整合到左心房分割任务中，并在医学图像分析领域中表现出潜在的半监督解决方案。

    Jul, 2019

  • 半监督互相一致训练下的左心房分割

    提出了一种基于 MC-Net 的半监督学习算法，通过设计的循环伪标签方案，利用未标记数据强化了训练过程，从而提高了心房图像分割性能。与其他半监督方法相比，该算法在公共数据集上表现出更好的性能。

    Mar, 2021

  • 利用加权一致性目标的深度半监督分割

    本文介绍了如何将 Mean Teacher 泛化到分割任务，并表明该方法可以在公开数据集中显着提高分割性能，同时解决了传统数据增强策略在分割任务中出现的问题。

    Jul, 2018

  • FBA-Net: 前景和背景感知对比学习用于半监督心房分割

    本文提出了一种基于对比学习的半监督 3D 医学图像分割策略 (FBA-Net)，通过对前景 - 背景对进行对比，旨在学习一种能够有效捕捉感兴趣解剖结构的表示，实验结果表明，本方法达到了 91.31% 的 Dice 分数，具有推动半监督 3D 医学图像分割的潜力，能够在有限标注的情况下实现更高效和准确的医学图像分析。

    Jun, 2023

  • 半监督脑病灶分割：一种适应均值教师模型

    本文介绍了一种用于脑部损伤分割的半监督学习方法，借助未标记的数据提高了卷积神经网络的性能，并通过实验在缺乏注释的数据上获得了良好的结果。

    Mar, 2019

  • 肺栓塞标注的特征增强对抗半监督语义分割网络

    本研究提出了一种基于 HRNet 的特征增强的敌对半监督语义分割模型，通过添加少量未标记图像实现了对不同数据集的适用，从而自动标注计算机断层扫描肺动脉造影（CTPA）图像中肺栓塞病变区域的位置。与当下的标准模型相比，该模型在 mIOU、Dice 系数和灵敏度方面实现了显著优化。

    Apr, 2022

  • 基于师生学习的快速分割方法改进

    本文提出一种基于零、一阶知识的细分神经网络迁移学习教师 - 学生框架，将拥有更好表现的重型细分网络的知识转移到轻型细分网络上，提高了轻型网络的细分准确性，仍然保持快速特性，并经数据实验验证该框架可以显著提升学生网络性能。

    Oct, 2018

  • 一种新的集成学习框架用于三维生物医学图像分割

    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

  • 协作学习用于高效注释体积 MR 图像分割

    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

  • 半监督医学图像分割的备选多元教学

    提出了一种多样教学方法 AD-MT，以应对当前半监督医学图像分割模型中存在的确认偏差问题。AD-MT 包括一个学生模型和两个非可训练的教师模型，通过交替地进行动量更新来促使教学多样性。通过随机切换周期、数据增强和补充数据批次，RPA 模块调度交替的多样化更新过程，以鼓励从不同教学角度进行多样化推理。而 CCM 模块基于熵集成策略，鼓励模型从教师模型的一致和冲突预测中学习。实验证明 AD-MT 在各半监督设置下对 2D 和 3D 医学分割基准的有效性和优越性。

    Nov, 2023