鉴别性哈密顿变分自编码器在数据稀缺情况下精准肿瘤分割

Jun, 2024

鉴别性哈密顿变分自编码器在数据稀缺情况下精准肿瘤分割

Discriminative Hamiltonian Variational Autoencoder for Accurate Tumor Segmentation in Data-Scarce Regimes

Aghiles Kebaili, Jérôme Lapuyade-Lahorgue, Pierre Vera, Su Ruan

TL;DR通过提出基于 Hamiltonian 变分自动编码器（HVAE）和区别性正则化的新的端到端混合架构，我们的方法可以准确估计图像和蒙版的联合分布，从而生成具有较少伪影和离群实例的逼真医学图像。通过在丰富增强的数据集上以切片方式操作，我们的架构可以快速且准确地分割 3D 体积，在 BRATS（MRI 模态）和 HECKTOR（PET 模态）两个公开数据集上的实验证明了我们提出的方法在有限数据的不同医学成像模态上的有效性。

Abstract

deep learning has gained significant attention in medical image segmentation. However, the limited availability of annotated training data presents a challenge to achieving accurate results. In efforts to overcom

deep learning medical image segmentation data augmentation hamiltonian variational autoencoders hybrid architecture

发现论文，激发创造

医学图像及相应分割掩膜的端到端自编码架构

基于 Hamiltonian 变分自编码器（HVAE），提出了一种解决医学图像分割中训练数据不足挑战的端到端架构，通过改进传统变分自编码器（VAE）的后验分布近似，提高图像生成质量，在数据稀缺条件下优于生成对抗架构，实现了图像质量的优化和准确的肿瘤掩膜合成。在 MICCAI 的 Brain Tumor Segmentation Challenge（BRATS）和 Head and Neck Tumor Segmentation Challenge（HECKTOR）两个公开数据集上进行了实验，证明了我们方法在不同的医学成像模态上的有效性。

Nov, 2023

异模态变分编码器 - 解码器用于联合模态完成和分割

本研究提出了一种新的深度学习方法用于肿瘤分割，特别是在处理数据缺失时具备先进性。首先，将所有观察到的模态独立地嵌入到共享潜在表示中，然后从这个潜在表示中生成缺失数据和肿瘤分割。最后，通过将双方的优点与 3D U-Net 和多模态变分自编码器相结合，提出了一种新的网络结构。

Jul, 2019

利用自编码器正则化进行三维 MRI 脑肿瘤分割

本研究利用编码器 - 解码器结构，结合变分自编码器总体约束方法，从大量的 3D MRI 数据中，实现了对脑肿瘤细分的自动化分割，并在 BraTS 2018 挑战中获得了第一名。

Oct, 2018

用于肺部病变特征探索和恶性预测的变分自编码器

应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。

Nov, 2023

解开海马形态变异：使用对比学习的图形变分自编码器研究神经学障碍

本研究通过使用图变分自编码器和有监督对比学习的方法，对神经系统疾病背景下弥漫张量成像数据集中的海马形态变异进行了细致研究，以提高其可解释性和分离出与年龄和疾病存在相关的两个独立潜变量。通过对合成的 3D 环面网格数据和真实的 DTI 海马数据集进行评估，我们的有监督分离模型在离散度分数方面优于其他先进方法，对多发性硬化症（MS）患者的年龄组和疾病状态进行了区分，并显示了不同年龄下 MS 人群海马体积变化的结果，与当前神经成像学文献一致。这项研究对于了解不同年龄组 MS 人群的神经系统疾病与海马形态变化之间的关系提供了有价值的洞察。

Mar, 2024

一种用于建模多尺度模糊的层次概率 U-Net

提出一种用于鲜明可辨的多级细节分割的分割网络，Hierarchical Probabilistic U-Net，它采用基于条件变分自编码器的分层潜空间分解，可以在自动分离多个规模的独立因素的同时，学习跨规模的复杂结构分布，从而实现对医疗扫描的分割以及对神经生物学和自然图像实例分割的能力的提升。

May, 2019

使用变分自动编码器进行无监督异常定位

提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

Jul, 2019

生成医学分割

介绍了一种基于生成模型的图像分割方法 (GMS)，使用预训练的 Variational Autoencoder (VAE) 生成精确的分割掩膜，提供了医学图像分割的新标准，具有良好的领域泛化能力。

Mar, 2024

建模未标记数据的概率分布，用于一次性医学图像分割

本文提出了一种数据增强方法，使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像，以帮助改进仅利用极少标记数据的医学影像分割性能，同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。

Feb, 2021

基于变分分层对话自编码器的对话状态跟踪数据增强

本文提出了一种名为 Variational Hierarchical Dialog Autoencoder（VHDA）的深度生成模型，用于 goal-oriented dialogs 的任务，它有效地捕获了不同层次和类型的 dialog features 之间的一致性，并且使用生成性数据增强方案，提高了下游目标跟踪器的鲁棒性，同时也在 dialog response generation 和 user simulation 方面具有良好表现。

Jan, 2020