CVPRApr, 2024

ToNNO: 神经网络输出的层析重建，用于三维医学图像的弱监督分割

PDF
TL;DR通过使用图像级别的分类标签，在 3D 医学图像上训练 2D 编码器，我们提出了一种新颖的基于 Tomographic 重建的方法 ToNNO，用于无监督的医学图像分割。通过结合平均 CAM 和 Tomographic CAM 方法，我们进一步扩展了 ToNNO，取得了更好的结果。
weakly supervised semantic segmentationtomographic reconstructiontonno3d medical imagecam methods
发现论文，激发创造
  • 通过概率感知学习提升弱监督的三维医学图像分割

    3D 医学图像分割是一个具有重要意义的挑战性任务，最近深度学习的进展极大地增强了完全监督的医学图像分割，然而，这种方法严重依赖于费力费时的完全注释的地面实况标签，特别是对于 3D 体积。为了克服这个限制，我们提出了一种新颖的概率感知弱监督学习流程，专门针对 3D 医学成像。我们的流程整合了三个创新的组成部分：一种基于概率的伪标签生成技术，用于从稀疏注释合成密集分割掩模，一种用于我们概率变换网络中强大特征提取的概率多头自注意网络，以及一种基于概率的分割损失函数，以增强具有注释置信度的训练。展示了显著的进展，我们的方法不仅能与完全监督的方法性能相媲美，而且在 CT 和 MRI 数据集上超越了现有的弱监督方法，对于某些器官的 Dice 得分实现了高达 18.1％的提升。代码可在此网址获得：https://URL

    Mar, 2024

  • 基于双向 RNN 的 3D 医学图像分割少样本学习

    本文提出了一种基于 3D 少样本学习的器官分割框架，通过学习支撑数据的 2D 片段与查询图像之间的关系，包括一个学习编码特征的双向门控循环单元（GRU），以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试，该模型的性能显著优于最先进的少样本分割模型，并且与使用更多目标训练数据训练的完全监督模型相当。

    Nov, 2020

  • 卷积神经网络中的判别性定位用于弱监督下肺结节分割

    这篇论文提出了一种基于卷积神经网络的弱监督方法，仅通过图像级标签即可生成准确的小结节体积分割，并且相较于完全监督 CNN 方法该方法实现了竞争性的性能表现。

    Jul, 2017

  • 利用大规模临床注释进行准确的弱监督深度病变分割：从 2D RECIST 中传播切片生成 3D 掩模

    本论文引入了一种卷积神经网络（CNN）弱监督切片传播分割（WSSS）方法，以 RECIST 标记为弱监督数据，能够精确地评估时间点的病变 / 肿瘤变化，并在淋巴结数据集中表现出与完全受监督的方法相当的性能，并在全面的病变数据集上测试，其中我们报告了在 RECIST 标记图层上的 Dice 分数均值为 92%，在整个 3D 体积上为 76%。

    Jul, 2018

  • 多模态图像配准的弱监督卷积神经网络

    本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

    Jul, 2018

  • 正交标注获益于几乎无监督的医学图像分割

    提出了一种利用正交标注和稠密 - 稀疏共训练的半监督学习方法来应对 3D 医学图像分割中的标注问题。实验结果表明，该方法在表现和效率上都具有较高的水平。

    Mar, 2023

  • OneSeg: 基于自学习和单次学习的用于 3D 医学图像分割的单切片标注

    提出了一种基于自学习和单次学习的框架，用于 3D 医学图像分割，仅注释每个 3D 图像的一个切片以显著减少注释工作量并获得与完全监督方法相媲美的性能。

    Sep, 2023

  • 通过 3D 和 2D 网络之间的互相教学进行稀疏注释的 3D 医学图像分割

    通过 3D 和 2D 网络的交叉教学，我们提出了一种从稀疏注释中稳健学习的框架，采用硬 - 软置信度阈值和一致标签融合两种伪标签选择策略，实验证明我们的方法优于半监督分割方法的最先进成果，并且与全监督的上限结果相媲美。

    Jul, 2023

  • 使用深度卷积神经网络学习语义分割的可转移知识

    该论文介绍了一种新颖的弱监督语义分割算法，该算法利用基于深度卷积神经网络的辅助分割注释，通过设计解耦编码器 - 解码器体系结构来生成空间高光区域，并使用注意力模型和分割注解在不同类型中加速弱监督下的语义分割。 训练该模型可以在 Microsoft COCO 数据集中的 60 个独家类别的注释下，显着提高在具有挑战性的 PASCAL VOC 2012 数据集中的表现。

    Dec, 2015

  • 基于双视角拓扑图的解剖学导向 CT 重建方法用于前瞻性风险缩减

    基于生成对抗网络（GAN）的优化 CT 重建模型能够重建 CT 体积，增强解剖结构并进行器官分割，从而提供了前瞻性估计 CT 有效剂量和风险最小化的过程。

    Jan, 2024