Feb, 2024

基于涂鸦的快速弱监督分割全幅切片图像

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）。
dynamic interactive segmentationweakly supervised segmentationwhole slide histopathology imageshand-annotated datasetsinteractive paradigms
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • Scribble2D5: 通过涂鸦注释进行弱监督体积图像分割

    本文提出了一种基于草图的体积图像分割方法 Scribble2D5，在 2.5D UNet 中增加了标签传播模块，通过组合静态和主动边界预测来学习感兴趣区域的边界并规范其形状，从而改善了弱标注图像分割的结果。在三个公共数据集上的实验表明，Scribble2D5 显著优于当前的基于草图的方法，并接近完全监督方法的性能。

    May, 2022

  • ScribbleSup: 用草图监督的卷积网络进行语义分割

    利用涂鸦标注图片并开发了一种算法，将涂鸦作为监督信息来训练卷积网络的语义分割，并在 PASCAL VOC 数据集上获得较好结果。

    Apr, 2016

  • 基于双分支网络和动态混合拟标注监督的涂鸦辅助医学图像分割

    本研究提出了一个简单而有效的基于标注涂鸦的医学图像分割方法，并应用于心脏核磁共振图像分割，结合了涂鸦监督和辅助伪标签监督的双分支网络能够高效地从标注涂鸦中学习，并取得了优于目前方法和半监督分割方法的表现。

    Mar, 2022

  • 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

  • 基于自对比的半监督学习框架用于预后预测的全切片图像

    应用深度学习技术分析组织病理图片对于自动预后预测的重要性进行了创新性研究，提出了一个新颖的三部分框架，包括基于卷积网络的组织分割算法、对比学习模块和嵌套多示例学习分类模块。在人工生成的数据和简单的诊断任务上进行了初步验证，并在膀胱癌的预后预测任务中取得了显著的成果，模型的 AUC 分别达到 0.721 和 0.678。

    May, 2024