嵌入匹配的半监督分割
本文提出了一种基于深度学习的框架,联合学习图像配准和图像分割网络,在考虑到现有分割数据的情况下,同时提高分割和配准的准确性,并利用配准产生的数据增强对分割网络进行训练,实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部MRI图像上,与以往研究相比,我们的方法具有更高的分割和配准准确度,且只需用一张标记图像就可实现2.7%和1.8%的Dice分数提升。
Apr, 2019
本文介绍了一种基于半监督学习的医学图像分割方法,利用弹性变形实现了对有标签和无标签图像的变换一致性学习,通过在公共数据集上的测试,该方法达到了与同类方法相当的性能表现,并且使用了大为较少的有标签数据。
Nov, 2019
本文提出了一种双任务一致性半监督框架,以显式构建任务级别正则化而非隐式构建网络和/或数据层扰动-变换以实现医学图像分割的半监督学习,并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。
Sep, 2020
本研究介绍了一种简单而有效的半监督医学图像分割框架,通过引入CNN和Transformer之间的交叉教学,将一个网络的预测作为伪标签来直接监督另一个网络,实验结果表明我们的方法在公共基准上优于八种现有的半监督学习方法,具有非常有前途的应用前景。
Dec, 2021
本文介绍了一种针对医学图像分割的半监督学习框架,名为“Mine yOur owN Anatomy ”(MONA),通过使用更强的数据增强和最近邻等方法,可以有效地处理数据不平衡(tailness)和内部差异(consistency),提高医学图像分割领域的性能。同时,MONA可以在无监督的情况下将医学图像分解为一组解剖特征,并在不同的标签半监督设置下,取得了新的最优性能。
Sep, 2022
基于平均教师模型的双解码器一致性伪标签引导数据增强方法(DCPA),结合一致性正则化、伪标签和数据增强,以增强半监督分割的效果。通过学生模型和教师模型,共享编码器和两个不同的解码器,增加学生模型训练时的一致表示生成,通过混合数据实现数据增强,并利用教师模型生成伪标签进行无监督损失计算。与六种半监督方法在三个公开医学数据集上进行对比,实验证明我们的方法在三种半监督设置下一致优于现有的半监督医学图像分割方法。
Aug, 2023
基于卷积神经网络的监督学习算法已成为医学图像分割任务的基准,但其效果严重依赖于大量标记数据。受到半监督算法的启发,利用有标签和无标签的数据进行训练,我们提出了PLGDF框架,用于使用较少注释的医学图像进行分割。我们提出了一种新颖的伪标签利用方案,将有标签和无标签的数据有效地合并到数据集中。此外,我们在分割网络的解码器模块中强制保持不同尺度之间的一致性,并提出了适用于评估一致性的损失函数。此外,我们在预测结果上应用了锐化操作,进一步提高了分割的准确性。在三个公开数据集上进行了大量实验证明,PLGDF框架能够通过融合无标签数据显著提高性能。与六种最先进的半监督学习方法相比,我们的框架具有优越的性能。本研究的代码可以在 https URL 获取。
Nov, 2023
通过将Segment Anything Model (SAM) 的伪标签作为辅助来增强半监督医学图像分割的学习过程,能够显著提升现有的半监督框架在极为有限的标注图像情况下的性能。
Dec, 2023