检测时生成式增强用于医学图像分割
本文提出了一种针对医学图像分割的高效通用数据增强框架,采用了计算效率高且数据效率高的基于梯度的元学习方案,通过使用用于未见测试数据的代理验证数据明确对齐训练和验证数据的分布以改进增广策略。本文通过两个核心设计改进了当前数据增广策略,即在训练时有效学习类别特定的数据增强并联合优化训练时和测试时数据增强,实验证明该方法针对医学图像分割存在的分类不平衡问题,可显著且一致地提高分割效果。
May, 2023
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
本文介绍了一种用于肿瘤分割的新型深度学习方法,该方法使用了基于图像转换和 Segementation 的迭代自训练算法以及一种名为 GBA(Generative Blending Augmentation)的数据增强技术,使用 SinGAN 生成模型来使目标肿瘤出现得更加真实,从而提高了分割模型的泛化能力,并在 MICCAI CrossMoDA 2022 演示中的肿瘤分割任务中名列前茅。
Apr, 2023
该研究论文提出了一种名为 S$^3$-TTA 的新的测试时间数据增强框架,基于转换一致性指标为每个测试图像选择合适的图像尺度和样式,同时构建了端到端的增强 - 分割联合训练流水线,通过在测试阶段简单增加输入数据,在细胞和肺部分割的公共基准上相对先前的方法分别提升了 3.4% 和 1.3%。
Oct, 2023
本文提出一种新的多模态测试时自适应模型,其中包含 Intra-PG 模块用于获取可靠的伪标签,以及 Inter-PR 模块用于自适应选择更可靠的伪标签,实现了基于多模态输入的 3D 语义分割稳定自学习。
Apr, 2022
本文技术为使用生成模型并结合任务驱动数据增强方法,显式地建模变形场和强化蒙版,用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据,实验结果表明该方法在小样本数据的分割任务中表现优异。
Feb, 2019
提出了一种多任务一致性引导的无源测试时间领域适应医学图像分割方法,确保局部边界预测结果和全局原型表示之间的一致性,显著提高了医学图像分割的性能。
Oct, 2023
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
医学成像是诊断和治疗疾病的重要工具,缺乏医学图像可能导致不准确的诊断和无效的治疗。生成模型通过从现有数据集中生成新数据并检测其中的异常来解决医学图像短缺问题。本文提出了 GAN-GA,一种通过嵌入遗传算法进行优化的生成模型。该模型在保留独特特征的同时提高了图像的保真度和多样性。该方法改进了医学图像的质量和保真度,是图像解释的重要方面。通过使用 Frechet Inception Distance(FID)来评估合成图像,将 GAN-GA 模型应用于生成急性淋巴细胞白血病(ALL)医学图像。实验结果表明,所提出的优化 GAN-GA 在 FID 得分上提高了约 6.8%,特别是在前期训练阶段。源代码和数据集可在此 URL 找到。
Dec, 2023
通过智能测试时间增强 (TTA) 算法,在视角变化的情况下提高图像分类模型的稳健性和准确性,该方法根据预测不确定性指标智能选择最佳增强方法,并通过两个阶段的过程来实现该选择,实验验证证明这种方法可以在多个数据集和神经网络架构上获得平均准确率提高 1.73%,突出了在智能增强策略方面进一步探索的潜力。
Jun, 2024