双尺度增强与交叉生成一致性学习用于半监督息肉分割

Dec, 2023

双尺度增强与交叉生成一致性学习用于半监督息肉分割

Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Polyp Segmentation

Yunqi Gu, Tao Zhou, Yizhe Zhang, Yi Zhou, Kelei He...

TL;DR提出了一种新的增强的双尺度和交叉生成一致性学习框架，用于半监督息肉分割，通过整合不同分辨率的交叉级相邻层来增强特征表达能力，采用尺度增强的一致性约束来处理形状尺寸和位置的变异，并通过交叉分段图重建原始和扰动图像来提高分割性能。

Abstract

automatic polyp segmentation plays a crucial role in the early diagnosis and treatment of colorectal cancer (CRC). However, existing methods heavily rely on fully supervised training, which requires a large amoun

automatic polyp segmentation colorectal cancer semi-supervised learning consistency learning framework colonoscopy images

发现论文，激发创造

使用合成数据的自监督和半监督息肉分割

通过使用计算机视觉技术和合成数据，提出了一种用于结肠息肉分割的模型，该模型在自监督和半监督设置中达到了最先进的结果。

Jul, 2023

边缘感知特征聚合网络用于息肉分割

利用边缘感知的特征聚合网络 (EFA-Net) 对息肉进行分割，克服不同尺度和模糊的边界，实现更准确的早期诊断和防治结直肠癌 (CRC)。实验结果表明，EFA-Net 在泛化性能和有效性方面优于现有的息肉分割方法。

Sep, 2023

Consisaug：内窥镜图像分析中基于一致性的息肉检测增强方法

通过引入深度学习和数据增强方法，我们提出了一种有效的策略来增加用于息肉检测的数据，以提高早期和准确的癌症预防效果。

Apr, 2024

ScribblePolyp: 基于涂鸦指导的息肉分割通过双重一致性对齐

ScribblePolyp 是一种高效的模型，用于胃肠疾病的息肉分割，并通过一种新的 scribble-supervised 方法，使用少量的注释（涂鸦标签）来减少标注成本，并提出一种两分支一致性对齐方法来为未标注的像素提供监督。

Nov, 2023

结肠直肠癌预防的联合单侧合成异源图像转换与分割

通过使用 3D 技术和生成对抗网络相结合产生逼真的合成图像，我们提出了 CUT-seg，将分割模型和生成模型相互训练以生成逼真图像并学习肠息肉分割。我们利用最新的单向翻译模型，因为它们使用的内存显著较少，可以在训练环节中添加分割模型。相较于其他内存密集型图像转换方法需要两阶段训练，CUT-seg 表现更好，计算成本更低，并且只需要一个真实图像和零个真实标注就能在五个真实肠息肉分割数据集上取得有希望的结果。作为本研究的一部分，我们发布了 Synth-Colon，一个完全合成的数据集，包括 20000 个逼真的结肠图像以及有关深度和 3D 几何的其他细节。

Jul, 2023

高效息片分割通过完整性学习

这篇研究论文介绍了在结肠镜检测中，完整性不足对准确性的影响，并提出了一种名为 IC-PolypSeg 的网络模型，通过轻量级骨干网络和三个关键组件实现在宏观和微观层面上的完整性改善，该模型在多项实验证明在精度和计算效率方面优于八种最先进的方法，并满足了临床要求。

Sep, 2023

半监督医学图像分割中基于伪标签引导数据增强的双解码器一致性

基于平均教师模型的双解码器一致性伪标签引导数据增强方法（DCPA），结合一致性正则化、伪标签和数据增强，以增强半监督分割的效果。通过学生模型和教师模型，共享编码器和两个不同的解码器，增加学生模型训练时的一致表示生成，通过混合数据实现数据增强，并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比，实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。

Aug, 2023

CRIS：结合分割的协同细化技术用于息肉分割

准确检测结直肠癌和早期预防严重依赖于肠镜检查期间精确的息肉识别。本研究提出了一种综合利用掩膜优化和二进制语义分割的方法，通过一种新颖的协作训练策略，超越了当前广泛使用的优化策略，并通过对建立的基准数据集进行全面评估，成功应用于各种医学图像分割架构。

May, 2024

基于交叉伪标签的半监督医学图像分割方法：加强和弱数据增强策略

通过数据增强和伪标签生成、筛选和改进过程的适当强调，本研究基于半监督模型 DFCPS 提出了新颖的交叉伪监督概念，将一致性学习与自训练相结合，充分利用了伪标签的多个角度，从而提高了训练多样性和模型性能。

Feb, 2024

基于 Transformer-CNN 融合的结肠息肉分割增强的合作学习

本研究提出一种名为 Fusion-Transformer-HardNetMSEG (Fu-TransHNet) 的混合网络，通过多种深度学习机制融合和多视角协作学习技术提高结肠息肉的分割精度。富 - TransHNet 利用变压器和 CNN 分支实现全局和局部特征学习，设计了一个融合模块来整合两个分支的特征，利用多视图协作学习技术获取各自权重，结果表明 Fu-TransHNet 网络在五个广泛使用的基准数据集上优于现有方法。

Jan, 2023