Dec, 2023

双结构保持图像滤波在半监督医学图像分割中的应用

PDF
TL;DR提出了一种新颖的双结构保持图像滤波（DSPIF）作为半监督医学图像分割的图像级变化方法，通过在最大树和最小树表示中删除没有兄弟节点的拓扑等价节点，保留拓扑关键结构，在相互监督中应用这种滤波对半监督医学图像分割有益，并在三个基准数据集上的实验证明，该方法明显优于一些最先进的方法。
发现论文，激发创造
  • 双层孪生结构网络优化半监督语义分割

    我们提出了一种双层 Siamese 结构网络（DSSN）进行像素级对比学习，通过在低级图像空间和高级特征空间中利用强增强视图对齐正样本对，最大化利用可用的无标签数据，并引入了一种新颖的面向类别感知的伪标签选择策略以改善弱到强监督的性能，并在 PASCAL VOC 2012 和 Cityscapes 两个数据集上取得了显著优于其他 SSS 算法的最新成果。

    Jul, 2023

  • 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

  • 结构保持引导的视网膜图像滤波及其在视盘分析中的应用

    本研究提出了一种新的受结构保护的引导性视网膜图像滤波方法（SGRIF），该方法可以有效地恢复降质的视网膜图像，并可用于辅助计算机支持的诊断方法，提高视杯分割和杯盘比率测量的准确性。

    May, 2018

  • Double-DIP: 基于耦合深度图像先验的无监督图像分解

    本文提出了一种基于耦合的深度图像先验（DIP）网络的单图像无监督层分解方法，可以用于图像分割、透明度分离、去水印等计算机视觉任务。

    Dec, 2018

  • 基于双任务一致性的半监督医学图像分割

    本文提出了一种双任务一致性半监督框架，以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习，并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。

    Sep, 2020

  • 重新思考半监督医学图像分割的数据扰动和模型稳定化

    提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

    Aug, 2023

  • 差分干涉对比成像中无染色活态贴壁细胞的双视图选择性实例分割网络

    本研究提出了一种名为 DVSISN 的深度学习算法，利用差分干涉对比图像 (DIC) 中的旋转图像对，通过预测每个细胞实例的边界框及其相应的掩膜，并使用掩膜选择过滤，以更好地预测细胞图像。实验结果表明，这种方法可以显著提高细胞实例分割的准确性。

    Jan, 2023

  • 基于变换一致性学习的半监督医学图像分割

    本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

    Nov, 2019

  • 混合监督双搜索：利用自动学习实现无损多曝光图像融合

    本文提出了一种名为 HSDS-MEF 的用于多曝光图像融合（MEF）的双搜索混合监督的方法，通过引入双重优化搜索方案来自动设计网络结构和损失函数，实现了比竞争方案更好的表现，在一般和无参考场景中，视觉信息保真度（VIF）分别提高了 10.61％和 4.38％，同时提供了高对比度，丰富细节和色彩的结果。

    Sep, 2023

  • 双重自我蒸馏的 U 型网络用于三维医学图像分割

    本文提出了一种新颖的双自蒸馏（DSD）框架，该框架适用于 U 形网络进行三维医学图像分割，通过在 U 形网络的背骨架构上附加 DSD，有效地提高了分割性能，其中 Dice 相似度分数提高了 4.25％至 3.15％

    Jun, 2023