Feb, 2024

基于涂鸦的快速弱监督分割全幅切片图像

HTML
PDF
TL;DR本文提出了一种动态交互和弱监督分割方法，以最小用户交互方式解决全幻灯组织病理图像分割中的两个主要挑战：缺乏手工标注的数据集来训练算法以及缺乏能够对话的交互模式，这在临床实践中可能是一个主要障碍。因此，我们提出了一种快速和用户导向的方法来弥合这一差距，让病理学家对最终结果有控制权的同时，限制所需交互的数量以获得良好的结果（仅需4次校正示意图即可在所有度量标准上实现90％以上）。
发现论文，激发创造
  • 仅使用草图监督学习医学图像分割

    本文探讨使用草图注释来训练医学图像分割网络的参数的训练策略，并在公共心脏（ACDC）和前列腺（NCI-ISBI）分割数据集上进行评估，结果表明，草图训练的网络与使用完整注释训练的网络相比，其Dice系数的下降仅为2.9％（心脏）和4.5％（前列腺）。

    Jul, 2018

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在The Cancer Genome Atlas和PatchCamelyon数据集上进行了评估，显示出一定的潜力.

    Apr, 2020

  • 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

  • 通过草图标注和形状先验进行体积医学图像分割

    本文提出了Scribble2D5，一种基于涂鸦的体积图像分割方法，旨在改善3D异向图像分割和边界预测。通过引入标签传播模块，扩展了涂鸦的语义信息，并使用静态和主动边界预测的组合学习感兴趣区域的边界并规范其形状，与此同时，通过融合未配对分割掩码的形状先验信息进一步提高模型的准确性。通过在三个公开数据集和一个私有数据集上的广泛实验，证明了Scribble2D5在使用涂鸦和形状先验数据进行体积图像分割方面取得了最先进的性能。

    Oct, 2023

  • 评估和改进交互式组织病理学图像分割的“任意分割模型

    通过评估Segment Anything Model (SAM)在组织病理学数据的零样本和微调场景下的性能，并与其他最先进的交互模型进行比较，我们发现SAM在分割性能上相对较弱，而在推理时间和泛化能力方面相对较强。为了改进SAM的有限的局部细化能力，并提高其核心优势的同时保持其稳定性，我们提出了对SAM解码器的修改，实验证明该修改对于交互式组织学图像分割非常有效。

    Oct, 2023

  • 基于SAM的弱监督细胞分割中的引导提示

    利用弱监督方法，在细胞分割的任务中使用Segment Anything模型（SAM），通过对象检测器的输出作为测试时的提示信息（D-SAM），以及SAM作为伪掩膜生成器在训练数据上训练一个独立的分割模型（SAM-S），并通过整数规划的方法协调两组分割掩膜，从而实现更高的性能。在公开的细胞分割数据集上进行了实验，结果显示所有基于SAM的解决方案明显优于现有的弱监督图像分割模型，增益在9-15个百分点之间。

    Nov, 2023

  • 快速灵活的互动分割技术：适用于任何医学图像的 ScribblePrompt

    医学图像语义分割是科学研究和临床护理的重要部分。本文介绍了ScribblePrompt，一种医学图像交互分割框架，它可以通过涂鸦、点击和边界框来使人类标注者对未知结构进行分割，具有较高的效率和性能。

    Dec, 2023

  • HistoSegCap: 针对全切片图像中组织类型进行弱监督语义分割的胶囊

    本文提出了一种利用胶囊网络进行基于弱监督语义分割(WSSS)的新型组织病理学图像分析方法，并使用数字病理学图谱(ADP)数据集对其进行评估。实验结果表明，该模型在准确性和平均交并联度(mIoU)指标方面优于传统方法，凸显了胶囊网络在增强组织病理学图像分析的精度和效率方面的潜力。

    Feb, 2024

  • 尴尬地简单的涂鸦监督用于3D医学分割

    传统上，分割算法需要密集注释进行训练，特别是在3D医学图像领域，这需要大量的注释工作。我们提出了一个全面的涂鸦监督基准，包括七个使用不同的模态成像的解剖和病理学的数据集。利用部分损失，我们的方法能够在现有的分割方法中融入涂鸦标注，保持原始的损失公式，从而实现了当前最先进性能的一致表现。

    Mar, 2024

  • 从少到多：基于涂鸦的医学图像分割通过掩模上下文建模和连续伪标签

    本研究解决了当前涂鸦基础弱监督分割技术在稀疏标注下的性能和一致性问题。提出的MaCo框架结合了掩模上下文建模和连续伪标签，通过提升模型对不均匀标注的处理能力，改进了医学图像分割的效果。实验表明，MaCo在多个公共数据集上表现优越，推动了弱监督医学图像分割的发展。

    Aug, 2024