- 增强单层切片分割通过 3D 转 2D 非配对扫描蒸馏
本研究提出了一种新颖的 3D 到 2D 蒸馏框架,利用预训练的 3D 模型增强 2D 单层切片分割,并在 707 个受试者数据集上进行的实验证明,该方法能够改善单层多器官分割的性能,尤其在低数据量情况下表现出色。
- MRSegmentator: MRI 和 CT 序列中 40 个类别的鲁棒多模态分割
提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型,通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战,为当前的 MRI 分析限制提供了解决方案。
- Dcl-Net: 双对比学习网络用于半监督多器官分割
我们提出了一个双对比学习网络,在半监督多器官分割中利用全局和局部对比学习加强图像和类别之间的关系。在第一阶段,我们开发了一个基于相似度引导的全局对比学习来探索图像之间的隐含连续性和相似性,并学习全局上下文。然后,在第二阶段,我们提出了一个器 - AnatoMix:面向多器官分割的解剖感知数据增强
通过深度学习的数据增强策略,我们提出了 AnatoMix 方法,可以增加多器官分割数据集的泛化能力,从而在公共 CT 数据集上实现了更高的平均 Dice 值(76.1)与基准方法(74.8)相比。
- 标签高效的多器官分割方法与扩散模型
本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法,该方法仅需要少量标记数据,在有限标记数据场景下取得了竞争性的分割性能。
- UniMOS: 一种用于标签约束数据集的多器官分割的通用框架
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 - 基于涂鸦的三分支多扩张网络的像素级和类别级一致性的多个腹部器官三维分割
基于 CT 图像的腹部多器官分割是诊断腹部病变和后续治疗规划至关重要的一项任务。本研究提出了一种新颖的 3D 框架,通过两种一致性约束方法进行 scribble 辅助的多腹部器官分割,表明该方法优于现有的五种 scribble 辅助方法。
- 用于组织病理图像分割的变换器模型鲁棒训练的切换辅助损失
我们提出了一种利用 HuBMAP + HPA 竞赛数据集在肾脏、大肠、肺、前列腺和脾这五个器官之间分割多器官的功能组织单元(FTUs)的模型,并提出了添加偏移辅助损失来解决深度模型优化训练中的梯度消失问题,从而使得模型效果提升了 1%。研究 - COSST:利用综合监督和自我训练进行部分标记数据集的多器官分割
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。
- 模型适应和集成的个性化多器官分割
本文提出了一个新的基于模型适应和模型融合的双阶段方法,该方法利用现成的单器官分割模型来开发适用于目标数据集的多器官分割模型,从而消除了多器官分割中对有标注数据依赖的问题。实验结果表明,此方法可以有效地利用现成的单器官分割模型来获得高准确度的 - 增强自监督学习的医学图像分割本地化区域对比
本研究提出了一种新颖的对比学习框架,它将本地化区域对比技术(LRC)融入到现有的半监督自监督预训练方法中,以增强医学图像分割的性能。通过在三个多器官分割数据集上的大量实验,我们证明在受限注释的情况下将 LRC 集成到自监督方法中可以显著提高 - CVPRMagicNet:基于 Magic-Cube 分区和恢复的半监督多器官分割
本文提出了一种半监督多器官分割的新型师生模型,通过识别固定相对位置和不同器官可提供的分布信息,引入先验解剖学知识作为数据增强引导,并基于 N$^3$ 矩阵将标记和非标记图像进行划分和恢复,从而提高学习整个 CT 图像体的器官分割能力和性能。 - 质量还是数量:一种面向全身 CT 多器官分割的统一方法
该研究旨在探讨质量和数量之间的平衡,以创建适用于医学 CT 扫描的多器官分割统一方法,并产生大量精确的虚拟模型。通过使用具有完全标签的 XCAT 数据集,我们比较了两种分割结构,选择了表现更好的 3D-Unet 模型,并使用此模型生成了少量 - AFTer-UNet:医学图像分割轴向融合 Transformer UNet
本篇论文提出了一种名为 Axial Fusion Transformer UNet (AFTer-UNet) 的方法,它结合了卷积层和 Transformer 的优势,同时考虑了切片内和切片间的长距离信息,在医学图像分割中优于现有技术。
- 利用多个二进制标记的数据集进行多器官分割
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。
- UNETR: 用于 3D 医学图像分割的变压器
本篇论文介绍了一种新的 UNETR 架构,通过使用 Transformer 作为编码器,可以捕捉更长程的空间依赖性,同时保持 “U 形” 的网络设计。实验证明,在多个数据集上,该方法在多器官分割任务上取得了最新的最优性能。
- 少脏器数据集下共训练加权平均模型的多器官分割
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。
- 局部监督多器官分割的边际损失和排他损失
本文研究了如何从多个未完全标记的医学影像数据集联合学习一个多器官分割网络,并提出了适用于这种情况的两种新的损失函数(边际损失和排斥损失),实验证明使用我们提出的新损失函数可以显著提高现有方法的性能,而不引入任何额外的计算。
- 多器官分割的形状感知补充任务学习
本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题,提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性,并在公共数据集上评估所提出的解决方案,对比实验结果表明,互补任务学习的 - 针对无监督域自适应的任务驱动生成建模:应用于 X 射线图像分割
本文提出了一种通过学习自动解析 3D CT 扫描并将其应用于 X 光图像中的新模型框架 DI2I 和 TD-GAN,该框架在未见过的真实 X 光图像上实现了同时样式转换和解析的效果,且不需要 Topogram 标签即可实现 85% 的平均