一种综合数据集训练分割模型的综合模型

Feb, 2024

一种综合数据集训练分割模型的综合模型

One model to use them all: Training a segmentation model with complementary datasets

Alexander C. Jenke, Sebastian Bodenstedt, Fiona R. Kolbinger, Marius Distler, Jürgen Weitz...

TL;DR通过结合多个部分注释数据集，我们提出了一种方法将互补注释合并到一个模型中，实现更好的场景分割和使用多个可用数据集。我们的方法成功地将 6 个类别组合成一个模型，与单独训练在各个类别上的模型集合相比，总体 Dice 分数提高了 4.4%。通过包含多个类别的信息，我们成功将胃和结肠之间的混淆减少了 24%。结果证明了在多个数据集上进行模型训练的可行性，为未来进一步减少对一个大型完全分割数据集的需求铺平了道路。

Abstract

Understanding a surgical scene is crucial for computer-assisted surgery systems to provide any intelligent assistance functionality. One way of achieving this scene understanding is via scene segmentation, where every pixel of a frame is classified and therefore identifies the visible

surgical scene understanding scene segmentation partially annotated datasets complementary labels multiple datasets

发现论文，激发创造

通过模型自我消歧来学习多源数据的多功能医学图像分割

通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

Nov, 2023

融合具有不同标签集的数据集以改进细胞核分割和分类

深度神经网络在组织病理学图像中进行细胞核分割和分类，可以通过自动化细胞计数和形态计量评估帮助病理学家诊断癌症等不同疾病，而训练数据集的大小对深度神经网络的准确性具有重要影响。我们提出的方法是针对具有相关但不相同类别集的多个数据集进行实例分割和分类的深度神经网络训练，通过利用粗到细的类别层次结构并在数据集中使用互斥类别来改善分类性能和推广性能的定量与定性结果。该方法适用于各种损失函数、深度神经网络体系结构和应用领域。

Oct, 2023

GAN 迁移学习：将标注和未标注数据结合进行 GAN 数据增广

利用带标签和未标签数据结合的生成对抗网络模型进行医学影像分割，验证了该方法在阿尔兹海默病数据集上可以有效提高灰质深部结构分割的准确性。

Nov, 2018

利用不完整影像数据进行脑肿瘤分割

本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响，检验 MRI 数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。

Jun, 2022

一种新的集成学习框架用于三维生物医学图像分割

提出了一种新的集成学习框架，其结合了 2D 和 3D 模型的优点，通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果，实现了在完全监督、半监督和转导设置下，相对于最先进的图像分割方法，取得了优越的性能。

Dec, 2018

挖掘自身解剖：重新审视极少标注下的医学图像分割

本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

Sep, 2022

一份用于分割算法开发和评估的大型注释医学图像数据集

本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集，其通过多个机构的努力进行生成，成为在 2018 年举行的一个众包挑战中被使用的数据集。

Feb, 2019

深度学习解决医学图像分割中的不完整数据：综述

这篇文章主要介绍了在医学图像分割领域中，利用卷积神经网络进行高性能分割所需要的大量高质量标注数据的问题，并且探讨了如何解决数据集缺陷，包括有限的标注和不完美的标注问题。

Aug, 2019

D-LEMA：基于多个标注的深度学习集成 —— 应用于皮肤病变分割

本文提出了一种利用 Bayes 卷积网络处理不同标注者之间矛盾标注情况的方法，以提高深度学习模型在多标注医学图像分割上的性能和泛化能力。

Dec, 2020

统一解剖分割的探索：通过知识聚合和解剖指南自动生成全身 CT 数据集

通过使用基于 nnU-Net 的伪标签和解剖导向的伪标签细化的顺序过程，结合各种碎片化的知识库，我们生成了一个包含 142 个体素级标签对 533 个体积进行了全面解剖覆盖的全身 CT 扫描数据集，该数据集已获得专家批准。我们的方法在标签整合阶段不依赖于手动注释。使用人类专家评估、在 BTCV 数据集上进行的深度学习有用性基准测试（在不使用其训练数据集的情况下实现了 85% 的 Dice 分数）以及医学有效性检查，我们检验了其合理性和实用性。除数据集外，我们还发布了能够对 CT 数据上的 142 种解剖结构进行预测的训练好的统一解剖分割模型。

Jul, 2023