基于半监督深度学习的盆底 MRI 分割
利用 CT 标签地图生成合成图像,应用于腹部器官分割的 U-Net 网络训练,在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。
Mar, 2024
在这项研究中,我们提出了使用半监督学习和迭代伪标签策略来解决 FLARE23 挑战,在通过完整器官注释数据集训练的深度模型 (nn-UNet) 生成伪标签后,在 FLARE23 数据集上,我们的方法在器官分割和肿瘤分割上取得了优秀的结果。
Oct, 2023
本研究提出了一种基于半监督学习的医学图像分割方法,该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据,并自动选择最佳的伪注释,进而在不需要全部标注的情况下,实现了分割模型在医学 3D 数据集上更好的性能,验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。
May, 2023
使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而,器官存在放射性示踪剂摄取增加,如肝脏、脾脏、脑和膀胱,导致深度学习模型经常将这些区域错误地识别为病变,为解决这个问题,我们提出了一种新的方法,旨在分割器官和病变,以提高自动化病变分割方法的性能。
Nov, 2023
通过利用组织间的相互作用,我们提出了一种方法,通过标准护理的动态增强磁共振成像,准确地分割乳房中的所有主要组织类型,包括:胸壁、皮肤、脂肪组织、纤维腺组织、血管和肿瘤;我们的方法在肿瘤分割上取得了卓越的 Dice 指数,同时在其他研究的组织上保持了竞争性能;通过集成多个相关的肿瘤周围组织,我们的工作可以在乳腺癌分期、预后和手术规划等临床应用中发挥作用。
Nov, 2023
本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型,利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构,采用标签平滑方法进行多噪声训练,使输出更准确,经测试后得到了更好的分割结果,有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。
Mar, 2022
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
本研究提出了一种自我监督学习的深度模型,命名为 Semantic Genesis,通过自主发现、自我分类和自我恢复医学图像下的解剖学,来学习语义丰富的视觉表征,具有较高的性能表现,适用于医学分类和分割。
Jul, 2020
本研究提出了一种基于半监督的深度学习方法,通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹,结果表明相比于有监督学习,该方法可以提高模型准确度约 6%,并且优于其他半监督学习方法。此外,该方法已在 MR 扫描仪上进行实现和评估,并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。
Jun, 2020