使用提示进行医学图像分割
本研究利用同时使用 MRI 图像中的像素级注释和图像级注释,提出了一个学习框架,用于大脑肿瘤的分割模型,并研究了像素级注释和图像级注释的比较量对分割质量的影响,并将我们的方法与传统的全监督方法进行比较,并展示了我们的方法在分割质量方面的优势。
Nov, 2019
本文介绍了一种基于深度学习的微观细胞图像语义分割,提出了针对数据量少的高效学习框架,并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明,与传统方法相比,提出的方法提高了 Dice 系数 (DSC)。
Apr, 2023
肿瘤分割是肿瘤诊断中的关键任务,本文研究了在组织学中应用全幻灯片图像进行肿瘤分割的深度学习方法,同时利用视觉提示的新范式在三个不同的器官中展示了与传统方法相比相当甚至更好的性能。
Feb, 2024
本文提出了一种半弱监督分割算法,基于新的深度监督学习方法和学生 - 教师模型,结合各种监督信号以实现易于集成,有效地减少了昂贵标注的要求。经过实验验证,该算法在视网膜液体分割上取得了成功。
Apr, 2021
本文提出了一种弱监督整个切片图像分割的框架,利用标准的临床注释,采用多实例学习方案进行模型训练,并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估,显示出一定的潜力.
Apr, 2020
本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型,该模型可以从相关的完全标记的疾病分割任务中利用有用的知识,以提高目标弱标记的病变分割任务的性能,其中包括提出了基于伪标签生成器的伪像素标签生成方法,并将同一类别的动态搜索特征中心在不同数据集间对齐。
Aug, 2019
准确分割病变区域对于各种疾病的临床诊断和治疗至关重要。本研究提出了一种新颖的医学视觉提示 (MVP) 框架,借鉴了自然语言处理 (NLP) 的预训练和提示概念,通过整合 SPGP、IEGP 和 AAGP 三个关键组件,使得分割网络更好地学习形状提示信息并实现不同任务之间的相互学习,实验结果表明此方法在各种具有挑战性的医学图像任务中表现优越。
Apr, 2024
本文探讨使用草图注释来训练医学图像分割网络的参数的训练策略,并在公共心脏(ACDC)和前列腺(NCI-ISBI)分割数据集上进行评估,结果表明,草图训练的网络与使用完整注释训练的网络相比,其 Dice 系数的下降仅为 2.9%(心脏)和 4.5%(前列腺)。
Jul, 2018
医学图像语义分割是科学研究和临床护理的重要部分。本文介绍了 ScribblePrompt,一种医学图像交互分割框架,它可以通过涂鸦、点击和边界框来使人类标注者对未知结构进行分割,具有较高的效率和性能。
Dec, 2023