Nov, 2023

UniMOS: 一种用于标签约束数据集的多器官分割的通用框架

PDF
TL;DRUniMOS 是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架，其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明，与其他先进方法相比，该框架在多个医学图像分割任务中表现出色，同时显著提高了数据利用率并降低了标注成本。
machine learning modelsmedical image annotationunimosmulti-organ segmentationsemi-supervised training
发现论文，激发创造
  • UniverSeg：通用医学图像分割

    UniverSeg 利用新的交叉块机制解决了无需额外训练的医学图像分割任务，其中使用的 MegaMedical 数据集包含 53 个开放数据集，22,000 个扫描，UniverSeg 在各种解剖学和成像模式下的训练使其能够在新任务中表现出色。

    Apr, 2023

  • 医学图像中的普适运动目标分割基础模型

    提出了第一个用于医学图像中运动目标分割的基础模型 iMOS，通过对序列中少量图像进行注释，实现双向的运动目标跟踪和分割性能，旨在加快专家的标注速度，推动医学基础模型的发展。

    Sep, 2023

  • 一种适用于半监督医学图像分割的多功能范式

    通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到 2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

    Nov, 2023

  • UniSeg：一个基于提示的通用分割模型和强表示学习器

    本研究提出了一种基于可学习的通用提示的通用分割模型（UniSeg），用于多任务医学图像分割，融合多个模态和域，通过动态卷积层提取感兴趣的目标，从而实现了模型在早期意识到正在进行的任务，并提高了整个解码器的任务特定训练。在 11 个上游任务和 2 个下游任务中， UniSeg 相对于其他预训练模型和单任务模型表现更优秀。

    Apr, 2023

  • 用于腹部计算机断层扫描的器官分割与肿瘤检测的通用可扩展的语言 - 视觉模型

    提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

    May, 2024

  • 通用半监督语义分割

    本文提出了一种通用的半监督语义分割框架，旨在在各种应用领域实现更低的注释和部署成本，并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失，以实现在多个领域中都能使用单一模型，利用少量标记实现性能提升，同时可以处理不同领域的标签空间不同的问题。

    Nov, 2018

  • AMOS: 用于多样化医学图像分割的大规模腹部多器官基准

    介绍了 AMOS 数据集，用于细分包含多个器官的腹部 CT/MRI 图像，并对该数据集上使用的多种深度学习模型进行了基准测试。

    Jun, 2022

  • 像医学住院医师一样培训：通过上下文先验学习的通用医学图像分割

    提出了一种基于上下文先验学习的通用医学图像分割方法 Hermes，适用于不同临床目标、身体部位和图像模态，并在七个数据集上证明了其性能优异，并且具有传输学习和概括到不同下游任务的强大能力。

    Jun, 2023

  • DoDNet: 学习从多个部分标记的数据集中分割多个器官和肿瘤

    本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和 / 或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器 - 解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet 更加高效，代码和数据集可在链接中获得。

    Nov, 2020

  • 通过模型自我消歧来学习多源数据的多功能医学图像分割

    通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

    Nov, 2023