CVPRMay, 2024

多频率多尺度注意力下的领域通用医学图像分割

PDF
TL;DR为了解决深度学习方法在医学图像分割中常常忽视频率变异和多任务学习中信息丢失的问题，本研究提出了一种适用于医学图像分割的无模态域泛化网络 (MADGNet)。通过引入多频率和多尺度特征的 Multi-Frequency in Multi-Scale Attention (MFMSA) 块以及用于减轻多任务学习中的信息损失的 Ensemble Sub-Decoding Module (E-SDM)，MADGNet 成功提升了医学图像分割的性能并展现了优异的多模态分割表现。
发现论文，激发创造
  • 基于混频单一源跨领域泛化的医学图像分割

    通过分析频率在域差异中的影响，Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域，同时在域增强中构建自我监督来学习上下文感知的鲁棒表示，从而提高分割模型的泛化能力。实验证明了该方法的有效性，并显著改进了分割模型的泛化能力，对于提升医学图像分割模型的泛化能力，尤其是在数据标注稀缺时，FreeSDG 提供了一个有前途的解决方案。

    Jul, 2023

  • 通用单域推广的模态不可知去偏差

    提出了一种适用于多种不同模态的深度神经网络的单一领域通用性（single-DG）算法，称之为 Modality-Agnostic Debiasing (MAD)，它采用一个新颖的双分支分类器，一支专注于识别特定领域的表层特征，另一个则利用来自前一支的知识来捕获领域通用（语义）特征，在多种领域通用任务中取得了极高的效果。

    Mar, 2023

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了 SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024

  • 基于多模态自蒸馏的医学图像分割模态不可知学习

    本研究提出了一种新的框架，Modality-Agnostic learning through Multi-modality Self-dist-illation (MAG-MS)，用于研究输入多模式的影响，以增强个体模式的表示学习，从而提高医学图像分割的效率和准确性，并提供了在选择输入模式方面有价值的见解和指导。

    Jun, 2023

  • SimMMDG: 一个简单而有效的多模态领域泛化框架

    通过在多模态情境中将特征分为模态特定和模态共享组件，并运用监督对比学习对模态共享特征施加距离约束，以促进多样性，并引入跨模态转换模块来规范学习特征，以达到领域泛化的目标。

    Oct, 2023

  • DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络

    通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

    May, 2024

  • 通过随机幅度混合和领域特定图像恢复实现可推广的医学图像分割

    本文提出了一种基于多任务学习的新型医学图像分割方法，涵盖了领域特定图像修复和随机振幅 Mixup 技术，并引入语义一致性损失来抵抗域漂移，取得了公共基准测试中业界领先的结果。

    Aug, 2022

  • 基于梯度图引导的自适应领域泛化用于跨模态 MRI 分割

    跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合，以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法，并进行了六个跨模态分割任务。在所有任务设置中，我们的方法始终优于竞争方法，并且在有限的训练数据下表现稳定。

    Nov, 2023

  • 自注意力引导的多尺度梯度 GAN 用于多样化 X 射线图像合成

    提出了一种名为 MSG-SAGAN 的多尺度梯度生成式对抗网络结构，用于解决不平衡的生物医学图像数据集生成多样化高质量的 X 光影像。通过使用多尺度渐变和注意力机制来改善生成器和鉴别器模型中生物医学图像特征的长程依赖之间的关系，以减少模式崩溃和稳定 GAN 的训练。与多尺度梯度 GAN (MSG-GAN) 相比，结果表明 MSG-SAGAN 在合成多样化的图像方面表现更好。

    Oct, 2022

  • RaffeSDG：基于随机频率滤波的医学图像分割单源域泛化

    通过引入频率空间的变化和融合同源样本的策略，RaffeSDG 提供了在单源域上训练的分割模型中强大的域外推理能力，用于解决医疗场景中数据稀缺的领域转移问题。在对三种不同的人体组织进行四种不同成像模态的分割任务的域外推理方面进行了广泛的实验证明了 RaffeSDG 的潜力和通用性。

    May, 2024