Jun, 2024

儿科脑肿瘤分割的无监督领域自适应

PDF
TL;DR在本研究中，我们提出了由 Domain-Adapted nnU-Net (DA-nnUNet) 构成的无监督领域自适应模型，用于将成人胶质瘤（源域）应用到儿童胶质瘤（目标域）中，通过添加一个连接有梯度反转层（GRL）的域分类器到 nnU-Net 的骨干网络中实现特征转换，并在保持源域分割准确性的同时将领域无关特征转移到分割模型，结果显示相较于仅使用成人数据的模型，在肿瘤核心（TC）区域有明显性能提升，Dice 系数约提高 32％，95th percentile Hausdorff 距离约提高 20 个单位。
automatic segmentation modelspediatric gliomaunsupervised domain adaptationnnu-nettumor core
发现论文，激发创造
  • 基于对抗神经网络的无监督领域自适应脑损伤分割

    该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

    Dec, 2016

  • 基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

    通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

    Jun, 2018

  • 训练和比较 nnU-Net 和 DeepMedic 方法用于儿童脑肿瘤自动分割

    通过多机构儿童专用多参 MRI 扫描数据训练，我们比较了两种基于深度学习的三维分割模型，即 DeepMedic 和 nnU-Net，在脑肿瘤分割方面的性能，结果显示儿童专用数据训练的 nnU-Net 模型在整个肿瘤及亚区域分割方面优于 DeepMedic。

    Jan, 2024

  • DG-TTA: 领域泛化和测试时间适应的医学图像分割

    我们提出将领域泛化和测试时间适应相结合的方法，在未见目标领域中重新使用预训练模型，并通过优化模型权重以确保每个未见扫描的高质量分割，以消除当前的数据可用性障碍。

    Dec, 2023

  • 基于数据增强的医学成像领域无监督域适应

    基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

    Aug, 2023

  • 使用对抗性损失对卷积神经网络进行生物医学图像分割的无监督跨模态域自适应

    本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

    Apr, 2018

  • DALSA: 监督学习稀疏标注的 MR 图像领域自适应

    我们提出了一种利用迁移学习技术来有效纠正稀疏标注引入的采样选择错误的新方法，该方法从稀疏和明确的标注中得出不同组织类别的高质量分类器，并采用域自适应技术来有效纠正引入的稀疏采样选择错误。与完全标记数据的训练相比，我们将标记和训练时间分别缩短了 70 倍和 180 倍以上，而又不损失准确性，这极大地简化了在各种场景和成像设置中建立和不断扩展大型标注数据库的过程，因此是朝着组织分类中基于学习的方法实际应用性迈出的重要一步。

    Mar, 2024

  • 学习未学习特征用于脑肿瘤分割

    本文提出了基于主动学习和元学习的功能微调算法，以帮助网络不忘记原始任务，实现大脑肿瘤分割的准确识别，并展示了从高级别胶质瘤到脑转移的迁移学习方法，证明所提出的算法可以在短时间内实现对于胶质瘤和脑转移领域的平衡参数。

    May, 2023

  • MDD-UNet: 医学图像分割的领域自适应与理论保证的概念验证

    提出了一种具有理论保证的基于边界差异不一致性的无监督领域自适应框架 MDD-UNet，该框架在海马体分割任务上通过学习目标领域中与域无关的特征，实现了对标准 U-Net 的性能改善。

    Dec, 2023

  • 无监督的联邦域自适应用于 MRI 图像分割

    使用深度神经网络进行磁共振成像（MRI）图像的自动语义分割极大地辅助于评估和规划各种临床应用的治疗。然而，训练这些模型要求具备丰富的注释数据来实施端到端的监督学习过程。即使我们注释了足够多的数据，由于患者、MRI 扫描仪和成像协议的差异等因素，MRI 图像显示出相当大的变异性。这种变异性需要针对每个特定的应用领域重新训练神经网络，而这又需要专业放射科医生对所有新领域进行手动注释。为了减少持久数据注释的需求，我们开发了一种使用多个注释源域进行无监督联邦域自适应的方法。我们的方法使得能够将知识从多个注释源域转移，以使模型在未注释的目标域中有效使用。最初，我们通过最小化目标域和源域的分布的成对距离，使得目标域数据与每个源域在潜在嵌入空间中具有相似的表示，该空间被建模为深度编码器的输出。然后，我们采用集成方法来利用从所有领域获得的知识。我们提供了理论分析，并在 MICCAI 2016 多中心数据集上进行实验证明我们的方法是有效的。

    Jan, 2024