Apr, 2024

适应性特征融合神经网络用于未见过的眼底图像青光眼分割

PDF
TL;DR我们提出了一种名为自适应特征融合神经网络 (AFNN) 的方法，用于未知领域的青光眼分割，该方法由三个模块组成：域适配器、特征融合网络和自监督多任务学习。我们的方法在四个公共青光眼数据集上取得了有竞争力的性能。
fundus image segmentationunseen domainsadaptive feature-fusion neural networkglaucoma segmentationweighted-dice-loss
发现论文，激发创造
  • DoFE：面向领域的特征嵌入在未见数据集上进行通用眼底图像分割

    提出了一种基于多源学习的领域导向特征嵌入框架来提高卷积神经网络对医学图像分割中看不见的目标领域的泛化能力，并在实现上述领域特征嵌入的同时采用了领域代码预测支路和注意机制使得语义特征和聚合特征得到动态组合， 在实验中表现优异。

    Oct, 2020

  • 基于重建驱动动态细化的无监督域自适应方法，用于联合视盘和杯分割

    提出了一种名为 RDR-Net 的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

    Apr, 2023

  • EyeLoveGAN：利用循环 GAN 的领域偏移来提升网络学习

    本文使用卷积神经网络，包括 U-Net，InceptionV3 和叠层沙漏网络，针对 REFUGE 2020 的三项任务，视盘和杯的分割，青光眼的分类和中心凹的定位进行研究。为了增强性能，使用了 cycleGANs 来进行域漂移。

    Mar, 2022

  • 基于对抗神经网络的无监督领域自适应脑损伤分割

    该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

    Dec, 2016

  • 基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

    通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

    Jun, 2018

  • 基于边界和熵驱动的对抗学习在眼底图像分割中的应用

    本文提出了一种无监督域自适应框架（称为边界和熵驱动的对抗学习（BEAL）），通过对抗性学习来改进靶域的光盘和杯分割性能，特别是在模糊边界区域。结果表明，我们的方法优于现有的无监督域适应方法。

    Jun, 2019

  • 基于结构特征的神经元膜分割无监督域自适应

    本文提出了一种基于未标注领域自适应的方法来解决神经元膜片分割领域间差距的问题，通过设计了特征权重模块、结构特征的超分辨率方法和正交分解模块，改进了神经元膜片分割的性能，在两个应用领域中得到了有效结果。

    May, 2023

  • InceptionCaps: 数据稀缺环境下高效的青光眼分类模型

    一项关于深度学习模型在自动青光眼分类中的研究，采用 InceptionCaps 作为基于预训练 InceptionV3 的胶囊网络，通过对视网膜眼底图像的分类，取得了较高的准确性和鲁棒性。

    Nov, 2023

  • 自适应特征融合：增强深度学习模型的泛化能力

    本文介绍了一种创新的方法 —— 自适应特征融合（AFF），可以通过动态地调整特征表示的融合过程来增强深度学习模型的泛化能力。研究表明，使用 AFF 方法可以提高模型性能，并在多个基准数据集上进行了广泛的实验验证。该文还探讨了 AFF 方法的实际应用，并指出未来的研究方向。

    Apr, 2023

  • AutoAdapt: 面向无监督域自适应的自动分割网络搜索

    本文提出一种基于神经网络的自适应框架，借助神经架构搜索技术优化网络结构，使用最大均值差异和区域加权熵估计准确性度量，实现语义分割任务的无监督域自适应，提高现有自适应技术的性能表现。

    Jun, 2021