本文介绍了一种基于新的课程学习的损失函数来处理深度多器官分割网络中的输入和输出不平衡问题,并在三个数据集上进行了实验,结果表明,该网络架构可以优于现有的技术。
May, 2018
本文提出了一种用于连续器官和肿瘤分割任务的创新结构,包括一系列轻量级的、类特定的输出头,以及将对比语言 - 图像预训练嵌入到器官特定的头中。实验结果表明该方法在学习过程中提高了基线神经网络对新引入和先前学习类别的分割性能。
Jun, 2023
本文提出了一个新的基于模型适应和模型融合的双阶段方法,该方法利用现成的单器官分割模型来开发适用于目标数据集的多器官分割模型,从而消除了多器官分割中对有标注数据依赖的问题。实验结果表明,此方法可以有效地利用现成的单器官分割模型来获得高准确度的多器官分割模型。
Apr, 2023
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
本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法,该方法仅需要少量标记数据,在有限标记数据场景下取得了竞争性的分割性能。
Feb, 2024
基于深度学习的医学图像自动分割系统面临大量数据标注成本和模型迭代中的高延迟问题,本研究提出了一种动态交互学习框架,通过将交互式分割与端到端弱监督学习和流式任务集成,解决了这些挑战。我们开发了新颖的重放和标签平滑方案,克服了灾难性遗忘并提高了在线学习的鲁棒性,并在每个图像上同时优化前端预测和深度学习分段器的多轮交互式分割模块。通过空间残差图,我们训练的分段器明确地指导下一步的用户干预,从而实现了弱监督信号的蒸馏。通过在三维分割任务(NCI-ISBI2013 和 BraTS2015)上的评估,我们的框架生成了与离线训练基准相匹配的在线学习性能。此外,我们的框架减少了 62% 的标注工作量,并且在与具有完整 ground truth 的在线和离线学习进行对比时,生成了具有竞争力的 dice 分数。此外,由于其灵活性和响应能力,这样的框架可以部署在保证数据安全和简便维护的医院防火墙之后。
Dec, 2023
本研究提出了一种动态需求网络(DoDNet),用于在仅标注部分器官和 / 或肿瘤的数据集上分割多个器官和肿瘤,通过共享编码器 - 解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器,相对于现有方法,DoDNet 更加高效,代码和数据集可在链接中获得。
基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。
基于 CT 图像的腹部多器官分割是诊断腹部病变和后续治疗规划至关重要的一项任务。本研究提出了一种新颖的 3D 框架,通过两种一致性约束方法进行 scribble 辅助的多腹部器官分割,表明该方法优于现有的五种 scribble 辅助方法。
Sep, 2023
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018