Nov, 2023

针对导管和导丝分割的形状敏感损失

PDF
TL;DR我们引入了一种对导管和导丝进行形状敏感的损失函数，并将其应用于视觉转换网络中，在大规模 X 射线图像数据集上取得了最新的研究成果。我们将网络预测和相应的真值转换为有符号距离图，从而使任何网络能够集中精力处理关键的边界而不仅限于整体轮廓。通过计算这些特征向量之间的余弦相似度，我们对图像相似性有了更细致的理解，超越了传统基于重叠度的测量方法的局限。我们的方法具有许多优势，包括尺度和平移不变性，以及对微小差异的较好检测，从而确保图像中医疗仪器的准确定位和描述。全面的定量和定性分析证实了相比现有基准的显著性能提升，展示了我们新的形状敏感损失函数在改善导管和导丝分割方面的潜力。
发现论文，激发创造
  • 计算机断层扫描图像中主动脉和大血管分割的拓扑感知损失

    本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

    Jul, 2023

  • 通过预测符号距离图进行形状感知的器官分割

    该研究使用 Signed Distance Map 直接从医学扫描中学习目标器官的形态，实现了更好的器官分割性能和更好的平滑度。通过同时预测 SDM 和分割地图，该方法将传统分割训练信息的补充信息引入，验证表明其比现有技术提高了 5% 以上的 Dice 系数并产生了更平滑的分割结果。

    Dec, 2019

  • 医学图像的形状感知半监督三维语义分割

    本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

    Jul, 2020

  • DCSM 2.0：深度条件形状模型用于高效数据分割

    使用深度条件形状模型 2.0，结合边缘检测器和基于边缘图的隐式形状函数，在低数据环境中实现医学图像分割的高效率，从而提高数据利用率并取得了比基准方法更好的性能。

    Jun, 2024

  • 实时在术中 X 射线中的导丝追踪和分割

    提出了一种用于实时导丝分割和跟踪的两阶段深度学习框架，包括一个用于精确定位导丝的 Yolov5s 检测器和一个用于分割导丝的新颖高效网络，通过定量和定性评估证明该方法在临床术中图像上表现出更高的鲁棒性和比当前技术更好的性能。

    Apr, 2024

  • 语义分割的距离图损失惩罚项

    本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

    Aug, 2019

  • FourierLoss：基于傅里叶描述符的形状感知损失函数

    通过引入一种名为 FourierLoss 的新的形状感知损失函数，我们提出了一种训练方法，可以提高编码器 - 解码器网络在医学图像分割任务中的准确性。通过对地面实况和预测分割地图的傅里叶描述符进行计算，基于量化形状差异的形状感知损失函数惩罚这种差异，通过网络训练逐渐学习形状细节级别的重要性。在 2879 个计算机断层扫描图像的实验中，我们的结果表明，提出的适应性形状感知损失函数在肝脏分割方面相比其他方法显著更好。

    Sep, 2023

  • CathFlow: 使用光流和 Transformer 对介入超声中导管进行自监督分割

    我们介绍了一种自我监督深度学习架构，用于在纵向超声图像中分割导管，并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证，展示了其未来在临床数据中应用的潜力。

    Mar, 2024

  • AiAReSeg: 利用 Transformer 进行介入超声波的导管检测与分割

    提出了一种使用改进的机器学习变压器架构来检测和分割超声辅助介入导管的方法，借助物理建模和超声模拟器产生合成超声图像，并经实验证明了其在超声噪声和扫描角度范围上的鲁棒性，为更安全高效的血管内手术迈出了重要的一步。

    Sep, 2023

  • X 射线荧光透视下导管的全自动实时分割

    本文提出了一种基于深度卷积神经网络的实时方法，用于在 2D X 射线透视序列中分割导管和导丝，使其在 X 射线成像指导下的介入手术中能够自动检测和追踪，该方法在 25 个介入操作的 237 个 X 射线序列图像上进行训练和测试，得到了极高的分割精度。

    Jul, 2017