Apr, 2024

机器人辅助心血管导管插管中多侧分支解码弱监督学习的导丝分割

PDF
TL;DR通过多侧面伪标记的弱监督学习方法，提供便宜且实时的方法，用于机器辅助下心脏导管介入手术中的工具分割和追踪。
robot-assisted cardiovascular catheterizationautomated tool segmentationweakly-supervised learningcardiac angiogramsreal-time tool segmentation
发现论文，激发创造
  • 基于双分支网络和动态混合拟标注监督的涂鸦辅助医学图像分割

    本研究提出了一个简单而有效的基于标注涂鸦的医学图像分割方法，并应用于心脏核磁共振图像分割，结合了涂鸦监督和辅助伪标签监督的双分支网络能够高效地从标注涂鸦中学习，并取得了优于目前方法和半监督分割方法的表现。

    Mar, 2022

  • 基于解剖位置预测的自监督学习用于心脏 MR 图像分割

    本文提出了一种基于自监督学习的心脏磁共振图像分割方法，通过预测解剖位置作为监督信号来学习特征，避免了手动标注数据的高成本问题，同时获得了比从零开始训练的 U-net 更好或可比的分割准确度。

    Jul, 2019

  • WAL-Net：弱监督辅助任务学习网络用于颈动脉斑块分类

    该研究提出了一种弱监督辅助任务学习网络模型 (WAL-Net)，以探索颈动脉斑块分类与分割任务之间的相互依赖关系。在该模型中，斑块分类任务是主要任务，而斑块分割任务作为辅助任务，为主要任务提供有价值的信息以提升性能。使用弱监督学习方法，完全摆脱对分割注释的依赖。实验和评估结果表明，与基准网络相比，所提出的方法在颈动脉斑块分类准确性上获得了约 1.3% 的改进。具体而言，混合回声斑块分类准确性提高了约 3.3%，证明了我们方法的有效性。

    Jan, 2024

  • UniLVSeg：通过自监督时序遮罩和弱监督训练实现左室超声心动图视频的统一分割

    该研究提出了一种新颖的方法，通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，相比最先进的解决方案，在效率更高的同时，取得了 93.32% 的 Dice 得分，并通过包含未标记帧在训练过程中实现高数据效用。

    Sep, 2023

  • 使用集成学习的多血管冠状动脉分割和狭窄定位

    通过机器学习解决方案，该研究提出了一种用于冠状动脉造影图像的自动诊断的端到端解决方案，旨在在冠状动脉血管的多血管分割和狭窄病变定位方面进行基准测试。

    Oct, 2023

  • 自监督与混合监督提升多类医学图像分割训练标签

    通过使用双分支网络和迁移学习相结合的方式，该研究的主要目标是自动改进多类别图像分割的训练标签，实验证明了该方法的有效性。

    Mar, 2024

  • CathFlow: 使用光流和 Transformer 对介入超声中导管进行自监督分割

    我们介绍了一种自我监督深度学习架构，用于在纵向超声图像中分割导管，并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证，展示了其未来在临床数据中应用的潜力。

    Mar, 2024

  • 基于部分血管标注的冠状动脉分割：自我训练和原型学习

    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

  • 半监督三维左心房分割的不确定性感知自组装模型

    本文介绍了一种新颖的基于不确定性的半监督深度学习框架，可将未标记的数据有效地整合到左心房分割任务中，并在医学图像分析领域中表现出潜在的半监督解决方案。

    Jul, 2019

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    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