Feb, 2024

无需训练的图像风格对齐技术用于手持式超声设备上的自适应领域偏移

PDF
TL;DR通过 Training-free Image Style Alignment (TISA) 框架，本研究旨在解决手持式超声设备在医学诊断中的使用局限性问题，通过样式对齐手持设备数据和标准设备数据，实现无需额外训练的手持设备图像推理，用于临床应用，提升医疗检测、分割任务以及脊柱曲率和颈动脉内膜厚度的自动测量，验证了 TISA 作为手持式超声设备的临床模型，加速其广泛使用和自动诊断的潜力展示。
handheld ultrasound devicessupervised deep learningtraining-free image style alignment (tisa)clinical applicationsautomatic diagnosis
发现论文，激发创造
  • 基于变换不变自训练的医学图像分割领域适应

    半监督学习策略 —— 转化不变自训练（TI-ST）方法，通过评估像素级伪标签的可靠性并在自训练过程中过滤不可靠的检测，解决标签缺失和提高目标域分割性能。

    Jul, 2023

  • 通过共享注意力实现风格对齐图像生成

    大规模文本到图像（T2I）模型在创意领域迅速崭露头角，从文本提示中生成令人惊叹的图像输出。然而，为了确保一致的风格而对这些模型进行控制仍然具有挑战性，现有方法需要微调和手动干预以分离内容和风格。在本文中，我们介绍了一种名为 StyleAligned 的创新技术，旨在在一系列生成的图像之间建立风格对齐。通过在扩散过程中采用最小的 ` 注意共享 '，我们的方法在 T2I 模型内保持了风格的一致性。这种方法通过简单的反演操作，使用参考风格创建具有一致风格的图像。我们方法在不同风格和文本提示上的评估表明，具有高质量的合成和保真度，突显其实现各种输入一致风格的效果。

    Dec, 2023

  • 面向任务的一致性对齐：领域自适应目标检测

    本文提出了任务特定的不一致对齐（TIA）方法，通过在分类和定位分支中添加辅助预测器来解决领域偏移问题，并设计了任务特定的损失函数来对齐跨领域差异，有效提高物体检测器的分类和定位能力。

    Mar, 2022

  • 通过图像对齐的样式变换实现脑组织的强一致性分割

    通过图像对齐的样式转换，将双模型迭代学习强化以实现强大的大脑组织一次分割，并保证空间对应关系的正确性

    Nov, 2022

  • 迭代优化和统计结果验证的高效人机互动式深度学习模型训练

    本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

    Apr, 2023

  • 朝向临床医生首选的分割：利用人为辅助实时调整来进行医学图像分割

    通过集成医生纠正的预测和发散损失函数，我们提出的人在环形的测试时间适应框架能够提高深度学习医学图像分割模型在不同医疗中心中的性能和适应性。

    May, 2024

  • 信息论文本到图像对齐

    基于信息论对齐度量的自监督微调方法对模型对齐问题进行了研究，在文字到图像生成任务中获得了与最新技术相媲美或超过的结果，并且只需要一个预训练的去噪网络来估计互信息和一个轻量级微调策略。

    May, 2024

  • DGSS: 使用迭代风格挖掘和潜在表示对域通用语义分割进行分析

    本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

    Feb, 2022

  • 一种用于自动胎儿脑部生物测量的双重对抗校准框架

    本文提出一种新颖的自动胎儿脑生物测量方法，通过高端超声图像建立低成本超声图像的生物测量解决方案，利用双重对抗校准框架进行非监督领域自适应方法，从而达到对低成本超声设备图像进行足月头围和颞上径估计的目的。

    Aug, 2021

  • 无监督域自适应医学图像翻译的关注连续生成自训练

    本论文提出了一种基于自我训练的生成模型，通过连续值预测和回归目标函数进行领域自适应图像转换，其中使用变分 Bayes 学习量化整个生成过程中的不确定性并引入自我注意机制，最终在两个跨扫描仪 / 中心，跨受试者转换任务中，表现出了比当前经典的敌对训练 UDA 方法更优异的综合性能。

    May, 2023