医学图像多模分割论文列表2

最新推荐文章于 2024-10-08 21:53:56 发布

胖头猫

最新推荐文章于 2024-10-08 21:53:56 发布

阅读量2.9k

点赞数 1

分类专栏：多模分割文章标签：深度学习图像处理

本文链接：https://blog.csdn.net/catfishH/article/details/121554807

版权

多模分割专栏收录该内容

28 篇文章 9 订阅

订阅专栏

TMI 2021

Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimization for Multi-Modal Cardiac Image Segmentation
图像种类：MRI、CT
目标器官：心脏
模型目标：心脏分割，跨模态适应
关键词：域迁移，对抗学习
方法：提出了一种用于多模态心脏图像分割的新 UDA 方法。所提出的方法基于对抗性学习，并在不同空间中适应源域和目标域之间的网络特征。一个端到端框架，该框架集成了：a) 熵最小化，b) 输出特征空间对齐和 c) 基于分割模型学习到的潜在特征的新型点云形状自适应。
备注：

Multi-Modal Co-Learning for Liver Lesion Segmentation on PET-CT Images*
图像种类：PET+CT
目标器官：肝病灶分割
模型目标：提高 PET-CT 分割精度
关键词：共分割
方法：通过在两个编码分支之间共享下采样块来消除误导性特征，从而实现跨多模态通道的特征交互。此外，我们结合不同分辨率的特征图来导出空间变化的融合图并增强病变信息。
备注：
在这里插入图片描述

MIA 2020

Unified generative adversarial networks for multimodal segmentation from unpaired 3D medical images

Uncertainty-aware domain alignment for anatomical structure segmentation

Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation

MIA 2021

Disentangle domain features for cross-modality cardiac image segmentation

United adversarial learning for liver tumor segmentation and detection of multi-modality non-contrast MRI

MICCAI 2020

Multi-phase and Multi-level Selective Feature Fusion for Automated Pancreas Segmentation from CT Images*
图像种类：动脉和静脉阶段扫描的 CT 图像
目标器官：胰腺
模型目标：分割
关键词：自适应先验融合
方法：提出了一种新颖的多阶段和多级选择性特征融合网络 (MMNet)，其核心组件名为自适应交叉细化 (ACR) 模块。具体来说，MMNet采用两个并行编码器分别提取两个阶段的特征，然后通过ACR融合，以发挥各自的互补优势。与大多数现有融合方法仅在两个阶段/模态之间交换和组合具有相同分辨率的单个级别的特征不同，ACR 模块智能地将一个阶段中的所有级别的特征聚合为多级先验，然后自适应地选择最有效的先验获取信息，去精炼前面的多级网络。
备注：常见的混合融合方法采用简单的策略，如串联 [3]、逐像素加法 [6]，无法学习不同模态之间的复杂关系。为了解决这个问题，Dolz 等人 [5] 和 Zhou 等人 [17] 进一步引入了跨模态的跳过连接以进行密集的信息交换。然而，由于每种模态都可以提供有用的信息和不相关的噪声，在[5,17]中融合多模态特征而不有效抑制噪声很难在任意情况下实现基于融合的一致改进。 Li等人[8]和Chen等人[2]提出在融合过程中使用attention blocks来抑制噪声并强调与任务相关的区域。尽管已经证明了有希望的结果，[2,8,17] 只融合了相同规模的多模态特征，而忽略了来自不同层次的有效相互指导。这些方法的改进有时是有限的。另一方面，最近的一些研究 [4,11,16] 同时利用高级语义和低级细节对单模态图像进行分割，并证明了有希望的改进，证明了融合多层次特征。
在这里插入图片描述
Brain Tumor Segmentation with Missing Modalities via Latent Multi-source Correlation Representation