增强单层切片分割通过 3D 转 2D 非配对扫描蒸馏
该论文提出了一种新的室内场景语义分割方法,使用一个新的 3D-to-2D 分解框架,可以从大规模的 3D 数据中提取 3D 特征,以增强从 RGB 图像中提取的 2D 特征,并通过对其进行标准化和语义相关的对抗性训练对其进行改进。
Apr, 2021
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
通过使用 C-SliceGen 生成预定义的椎体水平切片,从而解决了不同年份获取的切片之间的位置变化导致不同器官 / 组织被捕捉到的问题,并通过评估我们的方法在多个数据集上的能力,证实了我们的方法在减少体腔脂肪面积方面可以协调纵向位置方差,为单片纵向分析提供了一个有希望的方向。
Sep, 2023
本文提出了一种基于自监督学习的医疗切片合成方法,通过不同视角下的学习和交互相互指导,从而实现在不需要中间切片的情况下增加切片间分辨率,经过大量量化和定性实验验证的结果表明,所提方法明显优于同类算法。
Dec, 2021
基于视频动作识别领域的灵感,我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型,以 2D 卷积神经网络的复杂度编码三维特征,通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割(AMOS)和除颅骨外多图谱标记(BTCV)数据集中验证了我们方法的有效性,表明 SSH-UNet 在性能上与最先进的架构相媲美,且更高效。
Jul, 2023
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
本研究提出了一种新颖的多模式学习方案,以实现无配对交叉模态图像分割,该方案采用高度压缩的体系结构,通过共享所有卷积核跨 CT 和 MRI 和仅使用特定于模态的内部归一化层来对网络参数进行大量重用,通过知识蒸馏受启发的新颖损失项来显式约束我们推导出的模态之间的预测分布的 KL 散度来有效地训练这样的高度紧凑模型。在心脏结构分割和腹部器官分割两个多类分割问题上进行了广泛验证,实验结果表明,我们的新型多模式学习方案在两个任务上一致优于单模态培训和以前的多模式方法。
Jan, 2020
该研究提出了一个跨模态蒸馏框架 PartDistill,将二维视觉 - 语言模型的知识转移给三维形状的部分分割,通过解决三个主要挑战(二维投影中不可见或未检测区域的三维分割缺失、VLM 的二维预测不准确和不一致、不同三维形状之间的知识积累不足),PartDistill 在该任务中取得了显著的进展。通过在框架内进行正向和反向的蒸馏,PartDistill 能够提高最终的三维部分分割结果,并且可以利用生成模型生成用于蒸馏的知识源。在广泛使用的 ShapeNetPart 和 PartE 数据集上进行的大量实验证明,PartDistill 相比现有方法在 mIoU 分数上显著提升,分别高出 15% 和 12%。
Dec, 2023
本文提出了一种新颖的双自蒸馏(DSD)框架,该框架适用于 U 形网络进行三维医学图像分割,通过在 U 形网络的背骨架构上附加 DSD,有效地提高了分割性能,其中 Dice 相似度分数提高了 4.25%至 3.15%
Jun, 2023
本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法,该方法基于权重转移和维度转移的两个关键原则,实验证明其在多维医学图像分割方面表现出色。
Jul, 2023