基于细粒度无监督跨模态域自适应的前庭神经瘤分割
提出了一种基于多尺度自组装的无监督领域自适应 (UDA) 框架,用于高分辨率 T2 影像上的自动分割 Vestibular Schwannoma (VS) 和 Cochlea。该方法结合了对比无对应图像翻译,多尺度深度监督和一致性规范化,自我训练和强化强化等技术,证明其在跨模态分割性能上具有很大的应用价值。
Mar, 2023
本文提出了一种针对 crossMoDA2023 挑战的三维多样式跨模态分割框架,通过多种图像转换和自我训练分割阶段,实现对未标记 hrT2 扫描中的前庭神经瘤(分为颅内和颅外组分)以及耳蜗区域的分割,并借助标记的 ceT1 扫描实现。
Nov, 2023
本文介绍了一种用于肿瘤分割的新型深度学习方法,该方法使用了基于图像转换和 Segementation 的迭代自训练算法以及一种名为 GBA(Generative Blending Augmentation)的数据增强技术,使用 SinGAN 生成模型来使目标肿瘤出现得更加真实,从而提高了分割模型的泛化能力,并在 MICCAI CrossMoDA 2022 演示中的肿瘤分割任务中名列前茅。
Apr, 2023
本研究提出一种多视角图像翻译框架,通过使用像素级一致性约束和补丁级对比约束的两个图像转换模型,将增强对比度的 T1MRI 图像翻译成高分辨率 T2MRI 图像,为无监督前庭神经鞘瘤和耳蜗分割提供伪高分辨率的 T2MRI 图像,并通过实验证明该方法在前庭神经鞘瘤和耳蜗分割方面具有出色的性能表现。
Mar, 2023
通过训练深度学习模型将 CT 图像的肝脏分割模型迁移到 MRI 图像分割任务中,通过领域自适应方法中的分解表示方法,我们将一个域中的图像映射到共享内容空间和特定样式空间中,这使得我们在多模式医学图像领域实现了高精度的肝脏分割。
Jul, 2019
本文介绍了一种新的领域适应策略 - “交叉模态学习”,在无监督和半监督领域适应设置下,通过两种模式的相互模仿实现模态之间的一致性,在 3D 语义分割任务中证明了该方法的有效性
Jan, 2021
跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法,但现有方法难以处理领域变化的局部差异,并且通常需要大量数据进行训练,这限制了其实际应用。为解决这些问题,我们提出了一种新颖的自适应领域泛化框架,它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合,以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法,并进行了六个跨模态分割任务。在所有任务设置中,我们的方法始终优于竞争方法,并且在有限的训练数据下表现稳定。
Nov, 2023
本文提出一种基于对抗学习的无监督域适应框架,通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题,无需使用目标域标签信息,仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割,取得了良好的结果。
Apr, 2018
本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法,该方法结合了基于变分自编码器的特征先验匹配和域对抗训练,以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估,在仅使用一个未标记的 3D CT 扫描的情况下,该方法在相同的设定下胜过现有的技术。最后,我们对先验匹配和域对抗训练进行了消融研究,以阐明所提出方法的理论基础。
Jul, 2019