Jan, 2024

WAL-Net：弱监督辅助任务学习网络用于颈动脉斑块分类

PDF
TL;DR该研究提出了一种弱监督辅助任务学习网络模型 (WAL-Net)，以探索颈动脉斑块分类与分割任务之间的相互依赖关系。在该模型中，斑块分类任务是主要任务，而斑块分割任务作为辅助任务，为主要任务提供有价值的信息以提升性能。使用弱监督学习方法，完全摆脱对分割注释的依赖。实验和评估结果表明，与基准网络相比，所提出的方法在颈动脉斑块分类准确性上获得了约 1.3% 的改进。具体而言，混合回声斑块分类准确性提高了约 3.3%，证明了我们方法的有效性。
carotid artery ultrasound imagescarotid plaquesplaque segmentationclassificationweakly supervised learning
发现论文，激发创造
  • 超声图像中颈动脉斑块分割和分类的多任务学习框架

    本研究提出了一种基于多任务学习框架的超声颈动脉内膜斑块分割和分类方法，通过使用区域权重和样本权重的方式，充分利用两个任务之间的相关性，并在实验中证明了该方法的有效性。

    Jul, 2023

  • 机器人辅助心血管导管插管中多侧分支解码弱监督学习的导丝分割

    通过多侧面伪标记的弱监督学习方法，提供便宜且实时的方法，用于机器辅助下心脏导管介入手术中的工具分割和追踪。

    Apr, 2024

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 基于充气式 3D 卷积 - Transformer 的超声视频弱监督颈动脉狭窄分级

    本研究提出了一种基于视频分类的自动颈动脉狭窄分级框架，采用弱监督学习和引入 AMDF 转换器编码器进行多维度特征融合，从大规模的颈动脉超声图像视频数据集中有效地区分颈动脉狭窄，优于强基线模型。

    Jun, 2023

  • 强化弱监督语义分割的双重亲和学习增强的辅助任务

    提出 AuxSegNet + 框架，使用正好标定过的图片级别标签，通过关联任务 -- 显著性检测和多标签图像分类以及交叉任务亲和学习机制，改进了弱监督语义分割的性能，并在 PASCAL VOC 和 MS COCO 数据集上取得了新的最先进结果。

    Mar, 2024

  • 使用三维心血管免疫荧光图像中的点注释进行弱监督的深度个体细胞核检测

    本研究旨在开发一种自动计数血管壁动脉粥样硬化斑块细胞的方法，并使用弱监督学习方法训练 HoVer-Net 模型来检测荧光图像中的细胞核，并使用熵最小化损失函数来提高该模型在周围未标记区域的预测置信度。

    Jul, 2022

  • 非对比 CT 扫描上的自动斑块检测和 Agatston 评分估计：多中心研究

    本多中心研究旨在使用 3D 多类别 nnU-Net 验证一种自动化心脏斑块检测模型，以用于门控和非门控的非对比度胸部 CT 体积，证明了 nnU-Net 语义分割管道如何适应于检测冠状动脉和瓣膜斑块，并展示了使用线性修正时，nnU-Net 深度学习方法在胸部非对比度 CT 扫描中准确估计 Agatston 分数的能力，相较于手动的 Agatson 评分，在非门控 CT 扫描中，自动化 Agatston 评分显示了线性回归斜率为 0.841 和截距为 + 16 HU（R2 = 0.97），这些结果比先前检测自动化 Agatston 评分的工作有所改进。

    Feb, 2024

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • 利用亲和力学习辅助任务进行弱监督语义分割

    提出了一种利用弱监督学习的多任务、利用显著性检测和多标签图像分类作为辅助任务的新型网络框架 AuxSegNet，借助显著性检测作为辅助任务提高了基于图像级原始标注来执行语义分割任务的准确度，实现了在 PASCAL VOC 2012 和 MS COCO 数据集上表现最佳的弱监督分割性能。

    Jul, 2021

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019