Jul, 2024

利用LLM中的任务特定知识进行半监督三维医学图像分割

HTML
PDF
TL;DRLLM-SegNet通过利用大型语言模型将任务特定知识融入我们的协作训练框架中，从而有效地利用无标注数据进行学习，最终达到更高效的分割效果。此外，为了进一步减少错误分割，我们提出了一种统一分割损失函数，它不仅优先考虑模型在前景和背景像素预测上的自信程度高的区域，还能有效地处理模型对预测缺乏高置信度的区域。实验证明LLM-SegNet相比最先进的模型在公开数据集上表现出更出色的性能，并进行了多项消融研究以证明LLM-SegNet所利用的各种模块和损失函数的有效性。
发现论文，激发创造
  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019

  • 基于双任务一致性的半监督医学图像分割

    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

  • 三维医学图像的一致性半监督分割

    本文提出了一种用于3D医学图像分割的半监督学习方法--TraCoCo，并将传统的均方误差Semi-Supervised Loss替换为新的交叉模型置信二元交叉熵损失（CBC），该方法采用不同的空间输入上下文扰动视图，使模型能够从视觉对象中学习分割模式，并通过CutMix数据增强进一步提高预测的泛化能力。结果表明，该方法在Left Atrium和Brain Tumor Segmentation数据集中取得了最先进的效果。

    Mar, 2022

  • 重新思考半监督医学图像分割的数据扰动和模型稳定化

    提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

    Aug, 2023

  • 面向体积医学图像分割的通用半监督框架

    通过提出聚合和解耦框架，本文旨在开发一种通用的半监督学习框架，以解决三个不同背景下的问题：分布不变特征的捕获能力弱以及在训练过程中未标记数据被标记数据所压倒引起的过拟合问题。所提出的框架在四个基准数据集的评估中表现出显著的改进，证明其在更具挑战性的半监督学习场景中的潜力。

    Oct, 2023

  • 一种适用于半监督医学图像分割的多功能范式

    通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

    Nov, 2023

  • SemiSAM：探索SAM以提升极少标注的半监督医学图像分割

    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

  • 串联、微调、再训练：一种用于半监督三维医学图像分割的SAM支持框架

    通过使用Segment Anything Model（SAM）进行重新调整，我们提出了一个三阶段的框架（CFR）用于建立半监督的医学图像分割模型，并且在改善标注成本和保持性能方面取得了显著的改进。

    Mar, 2024

  • SAM-Med3D-MoE: 基于专家混合的非遗忘三维医学图像分割模型

    提出SAM-Med3D-MoE框架，将任务特定的微调模型与基础模型无缝集成，通过额外的门控网络实现在各自任务上与原始模型相当的性能，为医学图像分析中的特定领域适应基础模型提供新的框架。

    Jul, 2024

  • S&D Messenger: 交换语义和领域知识用于通用半监督医学图像分割

    通过开发一种基于语义和领域知识传输的新方法，可以在半监督学习环境中有效地理解已标注和未标注数据集中的知识，从而在医学图像分割、领域泛化和领域适应等任务中取得显著性能改进。

    Jul, 2024