Mar, 2024

SM2C：利用元伪标签和混合图像提升医学图像的半监督分割

PDF
TL;DR最近，基于机器学习的语义分割算法展示出了在医学图像中精确分割区域和轮廓的潜力，从而能够准确定位解剖结构和异常情况。然而，由于训练数据的有限性，过拟合几乎是不可避免的。因此，本研究引入了一种名为 SM2C 的新方法，通过扩大图像尺寸、多类别混合和目标形状抖动等策略，提高了在医学图像中学习语义特征的能力，通过丰富每个样本中的语义信息和多样化分割对象的形状，SM2C 展示了其在未标记数据训练中的潜力。大量实验证明了 SM2C 在三个基准医学图像分割数据集上的有效性，该提出的框架在先进技术对手中显示了显著的改进。
发现论文，激发创造
  • 向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

    自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

    Nov, 2023

  • 半监督医学图像分割的多尺度交叉对比学习

    本文提出了一种 MCSC 框架，联合训练 CNN 和 Transformer 模型，并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明，该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上，并且大大缩小了与全监督方法之间的性能差距。

    Jun, 2023

  • SemiSAM：探索 SAM 以提升极少标注的半监督医学图像分割

    通过将 Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程，能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。

    Dec, 2023

  • ClassMix: 基于分割的数据增强用于半监督学习

    本文介绍了一种针对语义分割任务的数据增强方法 ——ClassMix，其通过混合未标记的样本来生成增强，并通过利用网络对对象边界的预测来保证增强的有效性，在两个常用半监督语义分割基准测试中表现出了最先进的结果，并提供了详细的消融研究和不同设计和培训方式的比较。

    Jul, 2020

  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019

  • 自采样元 SAM：用元学习增强少样本医学图像分割

    通过自抽样元 SAM（SSM-SAM）框架，本研究提出了一种快速在线适应的医学图像分割方法，通过设计三个关键模块，包括在线快速梯度下降优化器、自抽样模块和针对医学少样本学习的强大的基于注意力的解码器，能够在医学图像分割的少样本任务中显著提高分割效果。

    Aug, 2023

  • 利用固定和动态伪标签进行半监督医学图像分割

    利用多个伪标签进行半监督医学图像分割，可以提高模型性能和泛化能力。验证结果显示，这种新方法在几个医学图像数据集上的表现明显优于现有方法。

    May, 2024

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 基于变换一致性学习的半监督医学图像分割

    本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

    Nov, 2019

  • 重新思考半监督医学图像分割的数据扰动和模型稳定化

    提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

    Aug, 2023