Apr, 2024

使用简单临床标注的非对称学习进行超声结节分割

PDF
TL;DR本研究提出了一种基于简单的长宽比批注的自动结节分割方法，并通过扩展长宽比批注标签，采用两种类型的伪标签训练两个不对称分割网络，结合保守和激进标签采用一种平衡策略，同时引入了一种动态混合伪标签监督模块以解决过分割和欠分割问题。此外，为了进一步利用临床批注提供的空间先验知识，本研究还提出了一种新的损失函数，即临床解剖先验损失。在甲状腺和乳房的两个临床采集的超声数据集上的广泛实验表明，我们提出的方法的性能优于其他方法，甚至可以实现与使用真实批注的全监督方法相当甚至更好的性能。
automated nodule segmentationultrasound imagesaspect ratio annotationsasymmetric learning frameworkclinical anatomy prior loss
发现论文，激发创造
  • 基于多视图自监督学习和两阶段预训练的甲状腺超声诊断改进

    用有限的手动标签，通过多视角对比自监督方法以及两级预训练，提高甲状腺结节分类和分割性能，超过了 ImageNet 预训练和最先进的自监督方法。

    Feb, 2024

  • LOTUS：学习优化基于任务的超声图像表示

    通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。

    Jul, 2023

  • 增强人工智能诊断：半监督深度学习自主病变掩模

    本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。我们的半监督学习方法利用在带有真实注释的小型公共乳腺超声数据集上训练的原始模型，针对领域适应任务进行迭代改进，生成私人未标记乳腺超声数据集的伪掩膜。该数据集的大小是公共数据集的两倍，并在图像采集角度和人群代表性方面具有相当的变异性，具有领域转移的挑战。与典型的领域对抗训练不同的是，我们使用下游分类结果作为基准，指导随后迭代中伪掩膜的更新。我们发现分类精度与生成的 ROIs 的完整性之间高度相关，促进了深度学习分类模型的解释性。初步研究结果证明了这种方法在简化 ROI 注释过程，从而增强乳腺病变的分类和定位以进行更精确和可解释的诊断方面的效果和可靠性。

    Apr, 2024

  • 通过潜在语义特征协同注册进行甲状腺结节的超声图像分割

    提出了一种通过新型共同注册网络实现的甲状腺结节分割框架 ASTN，通过从图谱和目标图像中提取潜在的语义信息，并利用深度特征完成甲状腺超声图像中结节的共同注册，确保解剖结构完整性，并减少不同设备造成的图像整体差异对分割的影响，同时通过提供图谱选择算法缓解共同注册的困难，评估结果表明，我们提出的方法在改善模型推广能力的同时，保持了较高的分割准确度。

    Oct, 2023

  • 具备部分标注乳腺癌超声图像的弱监督病变检测和诊断

    本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

    Jun, 2023

  • 超声置信图能否预测超声医师标注的变异性？

    通过引入超声波图像不确定性，并将其作为额外信息提供给神经网络，本研究改善了深度学习的超声波断层分割解决方案，提高了 Dice 分数，改善了 Hausdorff 和平均表面距离，并减少了孤立像素预测的数量。

    Aug, 2023

  • 有限标注数据下乳腺 X 光大片肿块分割的半监督和弱监督学习

    我们提出了一种半监督和弱监督学习框架，利用有限的强标注样本和充足的弱标注样本进行乳房肿块分割，以提高诊断乳腺癌的准确性。该框架包括一个辅助分支用于排除无关区域，一个分割分支进行最终预测，以及一个空间引导模块用于整合两个分支的互补信息。通过将编码的模糊特征分离为与病变相关的和其他的特征来改善性能，在 CBIS-DDSM 和 INbreast 数据集上的实验证明了我们方法的有效性。

    Mar, 2024

  • 将更多注意力转移到超声乳腺病变分割上的研究

    通过精心策划的一个覆盖广泛的视频数据集和创新的 FLA-Net 模型，实现了超声视频乳腺病变分割的最先进性能，并显著减少了时间和空间复杂度。

    Oct, 2023

  • 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

  • 通过 CycleGAN 将超声图像转换为伪解剖展示

    通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。

    Feb, 2022