基于高斯伪标签的非对比度 CT 中类椭圆血管结构分割的弱监督学习超越强标签

Feb, 2024

基于高斯伪标签的非对比度 CT 中类椭圆血管结构分割的弱监督学习超越强标签

Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs

PDF

Qixiang Ma, Antoine Łucas, Huazhong Shu, Adrien Kaladji, Pascal Haigron

TL;DR基于深度学习的自动化血管结构分割为血管疾病的计算机辅助诊断和介入手术提供有益的预防性 CT 扫描，该文章引入了一种基于弱监督框架，通过椭圆拟合和伪标签生成的方法取得了较好的效果。

Abstract

deep-learning-based automated segmentation of vascular structures in preoperative CT scans contributes to computer-assisted diagnosis and intervention procedure in vascular diseases. While CT angiography (CTA) is

deep-learning-based automated segmentation vascular structures non-contrast ct imaging weakly-supervised framework pseudo labels

发现论文，激发创造

基于高斯伪标签的形态学注意力深度监督在非对比 CT 腹主动脉分割中的应用

本研究通过引入基于高斯伪标签的 Morphological Attention（MA）技术，将其与传统的深度学习模型相结合，以在非对比度 CT 影像中分割腹主动脉的边界。通过此方法，保留了主动脉的形态特征，减轻了边界模糊性的负面影响，降低了过拟合的风险，并在实验中验证了其有效性。

Feb, 2024

语义可转移的弱监督内窥镜病变分割

本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型，该模型可以从相关的完全标记的疾病分割任务中利用有用的知识，以提高目标弱标记的病变分割任务的性能，其中包括提出了基于伪标签生成器的伪像素标签生成方法，并将同一类别的动态搜索特征中心在不同数据集间对齐。

Aug, 2019

基于对比度变分模型的组织病理学图像点注释弱监督分割

本研究提出了一种基于对比的变分模型，用于生成组织病理学图像分割效果，旨在作为弱监督深度学习分割模型的可靠补充监督，并证明其在组织病理学图像分割方面的有效性和效率。

Apr, 2023

弱监督的位置对比学习：肝硬化分类应用

利用病理学诊断等高置信度标签难以获取而成本高昂，故提出了一种基于弱标签和空间上下文的弱监督位置对比学习策略，通过泛化的基于核的损失函数整合了每个 2D 切片的空间上下文和弱标签，将其应用于肝硬化预测中，相对于基线模型在内部数据集上的分类 AUC 提高了 5％，在公共 LIHC 数据集（Cancer Genome Atlas）上提高了 26％。

Jul, 2023

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

基于标签驱动的弱监督学习用于多模态变形图像配准

采用标签驱动式表达，利用卷积神经网络的密集位移场，通过最小化变形移动标签和固定标签的交叉熵函数，使医学图像的标志物在不同模态之间匹配，改进了医学图像的对齐性。

Nov, 2017

基于类激活映射的无监督 Resnet-LSTM 出血分割在非对比度计算机断层扫描图像中的应用

通过使用图像级别的二元分类标签，我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割，该方法通过分类网络的类激活图确定 ICH 的大致位置，并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割

Sep, 2023

3D 血管分割，以最大强度投影的 2D 标注为监督

利用最大强度投影法（MIP）将 3D 卷积降维为 2D 图像进行有效注释，然后利用 2D 标签训练三维血管分割模型并生成伪标签，进一步改进分割性能。

Feb, 2024

基于部分血管标注的冠状动脉分割：自我训练和原型学习

基于部分血管标注提出一种弱监督学习框架，通过学习血管的局部特征、全局结构和特征原型，实现精确的冠状动脉分割，在冠状动脉 CTA 图像上超过了其他方法的表现，并且在血管的主干连续性上达到了与全注释模型相当的性能。

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