基于示例的医学图像分割的跨模态互相学习
这篇论文介绍了一种互补信息相互学习(CIML)框架,通过数学建模和处理跨模态冗余信息的负面影响,它将多模态分割任务分解成多个子任务,并通过信息传递来从其他模态中提取信息,以有效地去除冗余信息,提高验证准确性和分割效果。
Jan, 2024
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
CrossMatch 是一种新颖的框架,通过与双扰动策略(图像级和特征级)结合使用知识蒸馏技术,从标记和未标记数据中提高模型的学习能力,通过生成多样化的数据流进行自知识蒸馏,从而在医学图像分割中显著优于其他最先进的技术,在标准基准测试中有效地缩小训练差距,提高边缘精度和泛化性能。
May, 2024
本文提出了一种利用形状先验知识和图像对齐模块,通过多模态数据协同分割医学图像的方法,并通过实验在 MMWHS 2017 数据集上验证了该方法在 CT 分割上的优越性。
Oct, 2020
介绍了一种新颖的方法,利用图像数据和分子表示学习跨模态表示进行药物发现;提出了两种创新的损失函数 EMM 和 IMM,基于 CLIP 构建,利用弱监督和高内容筛选中的跨站点复制;通过在跨模态检索上对比已知基准线,在学习更好表示并减轻批次效应方面,我们的方法表现更佳;此外,还提出了用于 JUMP-CP 数据集的预处理方法,有效将所需空间从 85Tb 缩减到可用的 7Tb,仍保留所有扰动和大部分信息内容。
Nov, 2023
本文提出一种名为 CMEDL 的交叉模态教育深度学习分割方法,通过利用低辐射剂量的计算机体层扫描图像,结合核磁共振成像技术中的软组织成像信息,用神经网络进行训练与分割,有效提高其肺肿瘤数据分割的准确性。
Sep, 2019
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