形状-强度知识蒸馏用于鲁棒医学图像分割
本文综述了应用于不同分割框架中的不同类型的先验知识,重点介绍了将先验信息纳入其框架的基于优化的方法,并根据使用的先验知识类型对现有工作进行了分类。研究人员可以通过我们的互动在线数据库更新其研究领域。此外,我们还讨论了能量函数设计的不同方面、存在的问题和未来的前景。
Jul, 2016
本文提出了一种利用形状先验知识和图像对齐模块,通过多模态数据协同分割医学图像的方法,并通过实验在 MMWHS 2017 数据集上验证了该方法在 CT 分割上的优越性。
Oct, 2020
本文介绍了一个用于医学图像分割的 KD-Net 框架,该框架可以从一个多模态网络(teacher)向一个单模态网络(student)传输知识,证明了其在使用 BraTS 2018 数据集进行脑肿瘤分割任务时,有效提高了分割的准确性。
Jun, 2021
我们提出了一种高效的网络结构,通过从训练充分的医学图像分割网络中提炼知识来训练另一个轻量级网络,从而使得轻量级网络在保留其运行效率的同时,显著提高了其分割能力。通过使用我们为医学图像分割量身定制的新颖蒸馏模式,从教师网络向学生网络传递语义区域信息,避免了处理医学图像时遇到的模糊边界问题。在我们的实验中,轻量级网络的性能提高了32.6%,同时在推理阶段保持了可移植性,并在LiTS17和KiTS19两个公认的公共CT数据集上进行了验证。
Aug, 2021
提出一种新型的不对称协作教师模型ACT-Net,通过协同教学方法,将大型模型的知识迁移到小型模型,实现半监督分割任务的高效处理,实验证明了该方法的有效性,并取得了比其他知识蒸馏方法更好的分割结果。
Jul, 2022
本文提出了一种新颖的双自蒸馏(DSD)框架,该框架适用于U形网络进行三维医学图像分割,通过在U形网络的背骨架构上附加DSD,有效地提高了分割性能,其中Dice相似度分数提高了4.25%至3.15%
Jun, 2023
通过基于关系的知识框架和轻量级模型,实现了医学图像分割领域中的多种数据源的集成,提高了模型的泛化能力和适应性,同时减少了推理时间和存储使用,成为实时医学图像分割的实用和高效的解决方案。
Apr, 2024
通过引入新的分割范式,我们提出了一种基于对比学习的分类器自由网络,能够实现可变数量类别的分割,并结合知识蒸馏的增量学习框架,解决了医学图像分割中类别和领域的增量学习问题。实验证明了该方法在处理不同类别数量和增量学习中的优越性。
May, 2024
本研究旨在探究神经网络在医学图像分割任务中的知识迁移可行性,特别关注从大规模多任务的“教师”网络向更小的“学生”网络的迁移。我们通过多尺度特征蒸馏和监督对比学习的结构,通过整合从教师模型获取的知识表示来提高学生模型的性能,并通过大量实验和消融研究评估了多尺度特征蒸馏的影响,以及不同损失对知识迁移的整体性能的影响。
Jun, 2024
本研究针对传统一次性医疗图像分割方法在标签传播和合成图像质量上的不足,提出了一种新的框架,通过图像重建指导的知识蒸馏,使网络能够直接“看到”真实图像。研究表明,该框架在多个公共数据集上实现了优越的分割性能和更好的泛化能力。
Aug, 2024