3D 血管分割,以最大强度投影的 2D 标注为监督
我们提出了一种新的方法,通过深度监督仅使用一个注释的 2D 投影来单独分割 3D 胰周动脉,从而减少注释工作量,并且通过将 2D 标签映射到 3D 空间并将其纳入训练,几乎消除了 3D 监督与 2D 监督之间的性能差距。
Sep, 2023
准确分割脑血管对于脑血管疾病的诊断和治疗至关重要。本文提出了一种自适应半监督方法,通过创新的技术,包括渐进式半监督学习、自适应训练策略和边界增强,解决了存在的小血管捕捉和部分或模糊标注数据处理的挑战。实验结果表明,我们的方法在基于网格的分割度量方面具有优越性。通过利用部分和模糊标记的数据对主要血管进行标注,我们的方法在错标细小血管的分割性能方面取得了令人瞩目的成果,展示了其在临床应用中的潜力。
Aug, 2023
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
自动血管分割在生物医学成像中至关重要,但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因,精确分割仍然具有困难。本研究通过深入文献研究,探讨机器学习技术在不同器官中的应用,旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集,并采用 nnU Net 模型进行实验评估。结果显示,尽管分割性能表现较好(clDice 值在 0.82 到 0.88 之间),但存在一些错误,如由于缺乏静水压力(HiP CT 是一种离体技术)而导致的大血管分割效果较差,以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出,我们旨在为后续基于不同成像模态的模型评估建立一个基准,特别是使用 HiP CT 成像数据库。
Nov, 2023
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
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
DeepVesselNet 是一种适用于血管图像分割的网络结构,主要使用 2D 十字卷积滤波器和合成数据集进行训练,能在降低计算复杂度的同时实现较高准确率。
Mar, 2018
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021