Dec, 2023

一种用于自动化 3D 医学图像分割的动态交互学习框架

PDF
TL;DR基于深度学习的医学图像自动分割系统面临大量数据标注成本和模型迭代中的高延迟问题，本研究提出了一种动态交互学习框架，通过将交互式分割与端到端弱监督学习和流式任务集成，解决了这些挑战。我们开发了新颖的重放和标签平滑方案，克服了灾难性遗忘并提高了在线学习的鲁棒性，并在每个图像上同时优化前端预测和深度学习分段器的多轮交互式分割模块。通过空间残差图，我们训练的分段器明确地指导下一步的用户干预，从而实现了弱监督信号的蒸馏。通过在三维分割任务（NCI-ISBI2013 和 BraTS2015）上的评估，我们的框架生成了与离线训练基准相匹配的在线学习性能。此外，我们的框架减少了 62% 的标注工作量，并且在与具有完整 ground truth 的在线和离线学习进行对比时，生成了具有竞争力的 dice 分数。此外，由于其灵活性和响应能力，这样的框架可以部署在保证数据安全和简便维护的医院防火墙之后。
automated medical image segmentationdeep learninginteractive learningweak supervisiononline learning
发现论文，激发创造
  • 一种新的集成学习框架用于三维生物医学图像分割

    提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

    Dec, 2018

  • 通过概率感知学习提升弱监督的三维医学图像分割

    3D 医学图像分割是一个具有重要意义的挑战性任务，最近深度学习的进展极大地增强了完全监督的医学图像分割，然而，这种方法严重依赖于费力费时的完全注释的地面实况标签，特别是对于 3D 体积。为了克服这个限制，我们提出了一种新颖的概率感知弱监督学习流程，专门针对 3D 医学成像。我们的流程整合了三个创新的组成部分：一种基于概率的伪标签生成技术，用于从稀疏注释合成密集分割掩模，一种用于我们概率变换网络中强大特征提取的概率多头自注意网络，以及一种基于概率的分割损失函数，以增强具有注释置信度的训练。展示了显著的进展，我们的方法不仅能与完全监督的方法性能相媲美，而且在 CT 和 MRI 数据集上超越了现有的弱监督方法，对于某些器官的 Dice 得分实现了高达 18.1％的提升。代码可在此网址获得：https://URL

    Mar, 2024

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • 使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

    本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

    Oct, 2017

  • OneSeg: 基于自学习和单次学习的用于 3D 医学图像分割的单切片标注

    提出了一种基于自学习和单次学习的框架，用于 3D 医学图像分割，仅注释每个 3D 图像的一个切片以显著减少注释工作量并获得与完全监督方法相媲美的性能。

    Sep, 2023

  • DeepIGeoS：一种深度交互测地框架用于医学图像分割

    本文提出了一种深度学习交互分割方法，通过将用户交互与 CNN 结合，使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性，并将用户交互作为硬约束集成到反向传播式 CRF 中，以实现在更高的精度下减少用户干预的目的。实验结果表明，与传统的交互式方法相比，该方法在自动 CNN 分割的基础上实现了大幅提升，并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。

    Jul, 2017

  • DeepEdit：面向交互式分割的三维医学影像深度编辑学习

    本文介绍了一种基于深度学习的医学图像自动分割和半自动标注方法，该方法将自动分割和交互式分割结合到单个深度学习模型中，并允许易于集成基于不确定性的排名策略和主动学习。该方法通过使用标准训练结合用户交互模拟进行训练，可以显著减少专家标注医学影像的时间和精力。

    May, 2023

  • 基于双向 RNN 的 3D 医学图像分割少样本学习

    本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

    Nov, 2020

  • 协作学习用于高效注释体积 MR 图像分割

    建立了一种深度学习方法，探索了稀疏标注，即每个 3D 训练 MR 图像只有一个 2D 切片进行标注，与 ICT 相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均 B-IoU 增加了 10.0% 以上（提出的方法 B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均 B-IoU 增加了 6.0% 以上（提出的方法 B-IoU：66.1% vs. ICT B-IoU：60.1%）。

    Dec, 2023

  • 基于注意力引导主动学习的稀疏注释策略用于 3D 医学图像分割

    本研究利用注意力导向的主动学习策略，针对 3D 医学图像分割问题，仅需要标记 15％至 20％的脑提取任务中的切片和 30％至 35％的组织分割任务中的切片，便可达到与全标注数据相比的相似结果。

    Jun, 2019