May, 2024

DuEDL：双分支证据深度学习在手绘辅助医学图像分割中的应用

PDF
TL;DR通过提出双分支证据深度学习（DuEDL）框架，该研究旨在改善使用线条标注进行医学图像分割时准确性与可靠性之间的权衡问题，并证明该方法在提高模型的可靠性和泛化能力方面表现优于现有方法。
medical image segmentationevidential deep learningdual-branch frameworkscribble supervisionreliability and generalization
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

  • 一种证据增强的三支一致性学习方法用于半监督医学图像分割

    介绍了一种基于 Evidential Tri-Branch Consistency 学习框架（ETC-Net）的半监督医学图像分割方法，通过三个分支来解决预测多样性和训练稳定性，并结合来自证据学习的不确定性估计来抑制错误监督信号的负面影响，实验结果表明 ETC-Net 在多个数据集上超越了其他最先进的半监督分割方法。

    Apr, 2024

  • 基于证据融合的半监督医学图像分割的不确定性感知学习

    通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

    Apr, 2024

  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024

  • TEDL: 一种用于分类不确定性量化的双阶段证据深度学习方法

    本文提出 TEDL Two-stage Learning 方法，基于 Dempster-Shafer 理论，用来量化深度学习模型在分类任务中的不确定性，通过实验表明，TEDL 与交叉熵相结合、替换 ReLU 为 ELU 可以提高稳定性和 AUC。

    Sep, 2022

  • 证据深度学习中的不确定性知识

    本文揭示了 Evidential Deep Learning（EDL）中由不确定性值产生的证据信号的存在，并通过理论和实证研究证明了 EDL 的不确定性与误分类偏差之间的关联，从而揭示出 EDL 对 loss functions 的耦合情况。

    Oct, 2023

  • MEDL-U：基于证据深度学习的不确定性感知 3D 自动标注器

    开发基于 Evidential Deep Learning (EDL) 的不确定性估计框架的第一个方法，通过引入 MEDL-U，该框架不仅生成伪标签，而且量化相关的不确定性。实验证明，使用 MEDL-U 训练的概率性探测器在 KITTI 验证集中的所有难度级别上超过之前的 3D 注释器的确定性探测器，并在 KITTI 官方测试集上实现了最先进的结果。

    Sep, 2023

  • EDUE：基于专家意见引导的一遍式医学图像分割不确定性估计

    本研究提出了一种基于专家分歧引导的不确定性估计方法（EDUE），用于医学图像分割，通过利用多个评分者对地面事实标注的变异性，我们在训练过程中引导模型，并结合基于随机抽样的策略来增强校准置信度，我们的方法在图像和像素级别上与专家分歧相比，平均相关性分别提高了 55% 和 23%，具有更好的校准性能，并且相较于最先进的深度集合，在只需进行单次前向传递的情况下，具有具有竞争性的分割性能。

    Mar, 2024

  • EVIL: 有据推理学习用于可信任的半监督医学图像分割

    通过将证据理论引入半监督医学图像分割，以在单次前向传递中推理准确的不确定性量化为目的，提出了命名为 EVIL 的确定性推理学习方法。该方法使用一致性正则化训练范式，通过对扰动预测的一致性进行约束来增强少量标记数据的泛化能力。实验结果表明，EVIL 在公共数据集上与几种最先进的方法相比取得了竞争性的性能。

    Jul, 2023

  • 基于一种狄利克雷分布混合的改进证据深度学习

    该论文通过混合狄利克雷分布的变分推断来建模一致的目标分布，并通过学习得到的元分布模型提取目标模型中的学到的不确定性。实验证明我们提出的方法在各种基于不确定性的后续任务中具有优越性，并展示了学到的认知不确定性的一致性和不一致性带来的实际影响。

    Feb, 2024