Nov, 2023

通过噪声感知学习实现多伪标签下的准确视盘和杯盘分割

PDF
TL;DR通过使用多伪标签噪声感知网络的创新标签去噪方法，本研究提出了准确识别光盘和杯子分割的方法，通过从伪标签中生成的像素级一致信息，提取干净像素和噪声像素之间的区别，有效改善了模型的性能。与其他标签去噪方法相比，在 RIGA 数据集上进行的全面实验结果显示本方法具有出色的性能和显著的去噪能力。
optic disccup segmentationglaucomalabel-denoising methodmultiple pseudo-labels noise-aware network
发现论文，激发创造
  • 基于多标签深度网络和极坐标变换的联合视盘和杯膜分割

    本文提出了 M-Net，这是一种深度学习架构，可以在一个多标签系统中联合解决视盘和视杯分割的问题，并使用极坐标变换进一步提高了分割性能。实验结果表明，所提出的方法在 ORIGA 数据集上取得了最先进的视盘和视杯分割效果，同时还在 ORIGA 数据集和 SCES 数据集上获得了令人满意的青光眼筛查表现。

    Jan, 2018

  • 基于 Patch 的输出空间对抗学习用于联合视盘和杯割取

    本文通过引入一种新的、基于补丁的输出空间对抗学习框架（pOSAL），从不同的视网膜图像数据集中联合、稳健地分割视乳头（OD）和杯状视网膜（OC），并通过对三个公共视网膜视网膜图像数据集的全面评估证明其有效性，特别是在 Glaucoma Challenge 竞赛中取得了 OD 和 OC 分割任务的第一名。

    Feb, 2019

  • UT-Net: 结合 U-Net 和 Transformer 进行联合视盘和杯分割及青光眼检测

    本文提出了一种新的分割方法 UT-Net，结合了 U-Net 和 transformer，采用注意力机制，提高了对视网膜图像中视盘和视杯的分割准确度，并在三个数据集上验证了其优越性。

    Mar, 2023

  • 使用极端点注释生成的噪声标签进行 OCT 液体分割的学习

    本文提出了一种基于超像素指导的用于从弱标注中生成噪声标签的方法（PNS），以及一种基于 MTCL 的 Two-Stage Mean-Teacher-assisted Confident Learning（2SMTCL）方法，用于多类别 OCT 流体分割。实验结果表明，该方法在 OCT 流体分割以及标签去噪方面性能优秀，为眼科领域患者的诊断和治疗提供了高效、准确和实用的解决方案。

    Jun, 2023

  • 基于视网膜图像的青光眼筛查的磁盘感知集成网络

    本文介绍了一种新的自动青光眼筛查方法 —— 深度学习技术，针对现有临床测量方法对于图像处理精度的过高依赖和对于多种视觉特征的忽视，提出一种名为 DENet 的深度感知集成网络，能够直接从眼底图像中筛查出青光眼。该方法将全局眼底图像和局部视神经盘区域的深层层次信息相结合，实现了四个深度流的处理，最终融合不同流的输出概率生成最终筛查结果。实验结果表明，该筛查方法与其他先进算法相比表现更优。

    May, 2018

  • EDDense-Net：全密集编码器解码器网络用于视盘和视杯的联合分割

    这篇论文介绍了一种用于诊断青光眼的联合 OC 和 OD 分割的 EDDense-Net 分割网络，该网络在图像中获取和传递空间信息的同时降低了网络的复杂性，并通过使用适当数量的滤波器减少了空间信息的损失，通过评估现有公开数据集上的表现，证明了该方法在准确性和效率方面优于现有的最先进方法。该方法可作为辅助医疗眼科医生的第二意见系统，用于青光眼的诊断和分析。

    Aug, 2023

  • 领域转移医学图像分割中的交叉去噪网络抵抗被污染标签

    提出了一种新的鲁棒性交叉去噪框架，使用两个同等网络进行相互监督来解决医学图像中常见的域移位和损坏标签问题，并且引入了一个噪声宽容性损失和一个最有信心预测的类不平衡交叉学习，以减少累积误差，实验结果显示该方法优于现有技术。

    Jun, 2020

  • 基于重建驱动动态细化的无监督域自适应方法，用于联合视盘和杯分割

    提出了一种名为 RDR-Net 的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

    Apr, 2023

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 半监督医学图像分割的伪标签引导数据融合和输出一致性

    基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准，但其效果严重依赖于大量标记数据。受到半监督算法的启发，利用有标签和无标签的数据进行训练，我们提出了 PLGDF 框架，用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案，将有标签和无标签的数据有效地合并到数据集中。此外，我们在分割网络的解码器模块中强制保持不同尺度之间的一致性，并提出了适用于评估一致性的损失函数。此外，我们在预测结果上应用了锐化操作，进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明，PLGDF 框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比，我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。

    Nov, 2023