MOSMOS:基于医学报告监督的多脏器分割
本论文提出了一种基于深度学习的图像分割框架UMCT,通过协同训练和利用未标注数据来实现半监督和无监督领域自适应的任务,实现针对大量未标注数据的高效分析处理和标注,获得了半监督医学影像分割方面的最佳表现,并成功将模型应用于医学影像解剖结构的领域自适应。
Jun, 2020
本文提出了一种联合训练的权重平均模型方法,通过利用少量器官数据集共同训练模型以实现多器官分割,该方法采用软标签以减少噪声,并通过区域遮罩进行改进,实验结果表明该方法比现有方法更优秀。
Aug, 2020
本研究提出了一种动态需求网络(DoDNet),用于在仅标注部分器官和/或肿瘤的数据集上分割多个器官和肿瘤,通过共享编码器-解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器,相对于现有方法,DoDNet更加高效,代码和数据集可在链接中获得。
Nov, 2020
本文提出了一种多器官分割模型的学习方法--多教师单学生知识蒸馏(MS-KD)框架,并提出了一种区域监督方法,在多个单器官数据集上进行了广泛实验,证明了该框架的有效性。
Aug, 2021
提出了一种基于Transformer模型的多动态分割网络TransDoDNet,在多个部分标记的数据集上学习器官和肿瘤的分割,并创造了一个大规模的部分标记的多器官和肿瘤分割基准MOTS,结果表明TransDoDNet在七项器官和肿瘤分割任务中性能优异。
Nov, 2022
本文提出了一种名为COSST的新型训练框架,通过自我训练有效而高效地集成多种监管信号,并通过潜在空间的异常检测来减轻伪标签的性能下降,进而在各种分割任务中实现了显着的性能改进。
Apr, 2023
UniMOS是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架,其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明,与其他先进方法相比,该框架在多个医学图像分割任务中表现出色,同时显著提高了数据利用率并降低了标注成本。
Nov, 2023
通过利用现有数据的局部或稀疏标注分割标签,我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战,实验结果表明,我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能,凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。
Nov, 2023
本研究针对现有方法中标记数据与未标记数据训练流程分离的问题,提出了一种名为GuidedNet的半监督多器官分割方法。该方法通过利用标记数据指导未标记数据的训练,提高了伪标签的质量和网络对小型复杂器官的学习能力。实验结果表明,GuidedNet在FLARE22和AMOS两个公共数据集上达到了最先进的性能。
Aug, 2024
本研究针对部分监督多脏器医学图像分割中标记和未标记像素之间分布不匹配的问题,提出了一种标记到未标记分布对齐框架(LTUDA)。通过交叉集数据增强策略和基于原型的分布对齐方法,显著提高了模型在分割任务中的性能,有效降低了未标记前景与背景之间的差异。
Sep, 2024