Nov, 2023

增强即自动网络：面向医学图像分割的增强驱动对比多视角学习

PDF
TL;DR该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。
deep learningmedical image segmentationretinal blood vesselmultiview learningefficient implementation
发现论文，激发创造
  • 深度监督加附加标签的视网膜血管分割任务

    该研究提出了一种基于深度学习的新方法，通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割，实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美，具有 97.99％的 AUC，并且运行时间更有效率。

    Jun, 2018

  • 基于全卷积神经网络的结构化预测方法用于视网膜血管分割

    本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

    Nov, 2016

  • 深血管造影：简化视网膜血管分割

    本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

    Jul, 2023

  • 一种新的设计的双路径交互融合模块模型，用于增强图像中的视网膜血管结构分割

    通过使用 Swin-Res-Net 模型，该论文提出了一种改进视网膜血管分割的方法，提高了对显微血管的定位和分离能力，并在广泛使用的数据集上取得了出色的结果。

    Mar, 2024

  • LUNet：深度学习用于高分辨率眼底图像的细动脉和细静脉分割

    利用眼底数字成像技术，通过主动学习构建了一个新的数据集，其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉，开发了一种名为 LUNet 的新型深度学习架构，用于高分辨率的动静脉分割，并证明 LUNet 在多个测试集上显著优于其他分割算法。

    Sep, 2023

  • 利用多视角数据进行无注释的前列腺 MRI 分割：对比方法

    通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

    Aug, 2023

  • 使用经过大量增强的高分辨率三维 ResUNet 进行自动主动脉分割：对 SEG.A 挑战的贡献

    自动分割三维医学图像中的主动脉是一项重要且困难的任务，本研究提出了一种基于深度编码 - 解码架构的全自动算法，通过数据预处理和增强来解决低数据量情况下的主动脉分割问题，并在测试中获得了较高的稳定性和 Dice 分数。

    Oct, 2023

  • SA Unet 改进

    该论文描述了一种新的方法，结合使用 StyleGAN2 和 SA-Unet，用于在医学领域中进行视网膜血管分割的图像处理，旨在帮助医生更好地诊断眼部疾病，并解决小数据集分割问题。

    Aug, 2023

  • FS-Net: 全尺度网络与自适应阈值用于提升微血管结构的提取

    提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制，对视网膜血管分割问题进行了降低，取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。

    Nov, 2023

  • 基于图像级回归的不确定性感知视网膜图像分割

    将视网膜图像分割任务视为图像级回归，通过引入 SAUNA 变换和广义的 Jaccard 度量损失训练 U-Net 模型，在 5 个视网膜图像数据集上优于最近发表的方法。

    May, 2024