Nov, 2023

MSE-Nets：用于提高具有模糊边界的医学图像分割的多注解半监督集成网络

PDF
TL;DR使用有限的多注释和丰富的无注释数据，我们提出了一种多注释半监督集成网络（MSE-Nets），用于医学图像分割任务，通过多种方法增强模型，优化可利用的注释数据，减少重复注释的需求，并提高模型在医学图像分割中的性能。
medical image segmentationmulti-annotated datasemi-supervised learningnetwork consistencyconfidence calibration
发现论文，激发创造
  • 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

  • 多源标注下医学图像分割学习协议

    本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net 由 UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明 UMA-Net 优于现有方法。

    Apr, 2023

  • 半监督医学图像分割的互一致性学习

    本文提出了一种新颖的互相关网络（MC-Net+），通过有效地利用未标记数据进行半监督医学图像分割。我们在三个公共医学数据集上比较了我们 MC-Net+ 模型的分割结果与五种半监督方法的结果，实验表明我们的模型在半监督下分割效果最优，树立了半监督医学图像分割的新标准。

    Sep, 2021

  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019

  • D-LEMA：基于多个标注的深度学习集成 —— 应用于皮肤病变分割

    本文提出了一种利用 Bayes 卷积网络处理不同标注者之间矛盾标注情况的方法， 以提高深度学习模型在多标注医学图像分割上的性能和泛化能力。

    Dec, 2020

  • NP-SemiSeg：当神经过程遇上半监督语义分割

    通过将神经过程（NPs）应用于半监督语义分割，我们提出了一种新的模型 NP-SemiSeg，并在公共基准数据集 PASCAL VOC 2012 和 Cityscapes 上进行了实验验证其有效性。

    Aug, 2023

  • 半监督全景叙事基准化

    本文介绍了一种新颖的半监督全景叙事 grounding 方案，利用少量带标签的图文对和大量无标签对来实现竞争性性能，并通过质量基配损失调整方法提高半监督网络以克服标注有限的挑战。

    Oct, 2023

  • 半监督自修正语义图像分割网络

    本研究介绍了一种半监督框架，通过一个辅助模型和一个自我纠正模块，在只有一小部分完全有监督图像的基础上，使用具有目标边界框标签的图像和只有目标边界框标签的图像集（称为弱集），训练出高质量的语义分割模型，这种方法比传统大量完全有监督数据模型要求的标注工作量减少～7 倍。

    Nov, 2018

  • GuidedMix-Net：使用标记的图像作为参考学习改进伪掩码

    本文提出了一种基于混合数据的指导式半监督分割方法 GuidedMix-Net，并利用标记数据指导未标记数据的学习，该方法采用特征对齐和互信息传输的方法进行特征融合，同时提出伪标签生成模块用于生成高质量伪标签，联合训练标记数据和伪标签，实验验证了该方法在各种数据集中取得了具有竞争力的分割精度和显着改进的 mIoU。

    Jun, 2021

  • 基于误差定位网络的半监督语义分割

    本文提出了一种基于误差定位网络来解决伪标签问题的半监督语义分割方法，该方法有效地消除了训练过程中因使用伪标签带来的性能下降风险，并实现了对不精确伪标签的鲁棒性，同时具有自训练和对比学习的天然集成能力。与现有方法相比，在 PASCAL VOC 2012 和 Cityscapes 数据集上，该方法在所有评估指标中均表现出了卓越的性能。

    Apr, 2022