该论文提出了一种新的超光谱遥感图像监督分类算法,该算法在统一的贝叶斯框架下集成了波谱和空间信息,并结合卷积神经网络和 Alpha-Expansion Min-Cut 算法。实验结果表明,该算法在一个合成数据集和两个基准超光谱数据集上的性能要优于其他最先进的方法。
May, 2017
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
通过引入多模态信息增强机制,结合基于标注线的方法和分割网络,提出了一种基于标注线监督的医学图像分割框架(ScribbleVC),通过统一利用CNN特征和Transformer特征来提取更好的视觉特征,并在三个基准数据集上的实验结果表明,该方法在准确性、鲁棒性和效率方面优于现有方法。
Jul, 2023
本文提出了Scribble2D5,一种基于涂鸦的体积图像分割方法,旨在改善3D异向图像分割和边界预测。通过引入标签传播模块,扩展了涂鸦的语义信息,并使用静态和主动边界预测的组合学习感兴趣区域的边界并规范其形状,与此同时,通过融合未配对分割掩码的形状先验信息进一步提高模型的准确性。通过在三个公开数据集和一个私有数据集上的广泛实验,证明了Scribble2D5在使用涂鸦和形状先验数据进行体积图像分割方面取得了最先进的性能。
Oct, 2023
利用Hyperspectral Imaging和Machine Learning相结合的方法,采用Graph Neural Networks以及Convolutional Neural Network,通过对局部图像特征和空间上下文信息的建模,实现在肿瘤和健康组织之间进行准确分割的目标。
Nov, 2023
通过自我注意力相似度损失的方法,本文提出了一种基于涂鸦监督学习的简单而有效的深度网络结构,用于医学图像分割。
Dec, 2023
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。
传统上,分割算法需要密集注释进行训练,特别是在3D医学图像领域,这需要大量的注释工作。我们提出了一个全面的涂鸦监督基准,包括七个使用不同的模态成像的解剖和病理学的数据集。利用部分损失,我们的方法能够在现有的分割方法中融入涂鸦标注,保持原始的损失公式,从而实现了当前最先进性能的一致表现。
Mar, 2024
通过使用人工智能技术绘制计算机医学图像分析,我们开发了一个开源工具,可以适应不同的颜色阈值并移除医学图像上的注释。
Apr, 2024
本研究解决了超光谱成像技术在手术中的临床应用受限于照明条件变化的问题。我们提出了一种基于学习的自动校准方法,能够在手术中实时准确地调整超光谱图像,从而取代繁琐的白平衡校准过程。我们的研究显示,此方法在多种环境下表现优越,具备高效性和广泛的适应性,有望成为临床手术中超光谱成像的核心组件。
Sep, 2024