医学图像分割方向优质的论文及其代码【Medical Image Segmentation】UNet、transformer、计算机视觉

1. 【Medical Image Segmentation】Semi-supervised Medical Image Segmentation Method Based on Cross-pseudo Labeling Leveraging Strong and Weak Data Augmentation Strategies

【医学图像分割】基于交叉伪标记利用强弱数据增强策略的半监督医学图像分割方法

 作者：Yifei Chen, Chenyan Zhang, Yifan Ke, Yiyu Huang, Xuezhou Dai, Feiwei Qin 

 中文摘要：

由于收集过程具有挑战性、标记成本高、信噪比低以及生物医学图像特征复杂，传统的监督学习方法在医学图像分割方面历来遇到一定的限制。 本文提出了一种半监督模型DFCPS，创新性地融合了Fixmatch的概念。 通过数据增强处理，对未标记数据采用不同的策略，显着增强了模型的性能和通用性。 同时，模型设计适当强调伪标签的生成、过滤和细化过程。 引入了交叉伪监督的新概念，将一致性学习与自我训练相结合。 这使得模型能够从多个角度充分利用伪标签，从而增强训练多样性。 使用可公开访问的 Kvasir-SEG 数据集将 DFCPS 模型与基线模型和高级模型进行比较。 在包含不同比例的未标记数据的所有四个细分中，我们的模型始终表现出卓越的性能。 

2. 【Medical Image Segmentation】Weak-Mamba-UNet: Visual Mamba Makes CNN and ViT Work Better for Scribble-based Medical Image Segmentation

【医学图像分割】Weak-Mamba-UNet：Visual Mamba 使 CNN 和 ViT 更好地用于基于 Scribble 的医学图像分割 

 作者：Ziyang Wang, Chao Ma

 

中文摘要：

医学图像分割越来越依赖深度学习技术，但良好的性能往往伴随着高昂的注释成本。 本文介绍了 Weak-Mamba-UNet，这是一种创新的弱监督学习 (WSL) 框架，它利用了卷积神经网络 (CNN)、视觉变换器 (ViT) 和用于医疗领域的尖端 Visual Mamba (VMamba) 架构的功能 图像分割，尤其是在处理基于涂鸦的注释时。 所提出的 WSL 策略融合了三种不同的架构但相同的对称编码器-解码器网络：用于详细局部特征提取的基于 CNN 的 UNet、用于全面全局上下文理解的基于 Swin Transformer 的 SwinUNet 以及用于高效长时长的基于 VMamba 的 Mamba-UNet。 -范围依赖建模。 该框架的关键概念是一种协作和交叉监督机制，它采用伪标签来促进跨网络的迭代学习和细化。 Weak-Mamba-UNet 的有效性在公开的 MRI 心脏分割数据集上进行了验证，该数据集具有经过处理的涂鸦注释，其性能超过了仅使用 UNet 或 SwinUNet 的类似 WSL 框架的性能。 这凸显了它在注释稀疏或不精确的场景中的潜力。 源代码可供公开访问。

3. 【Medical Image Segmentation】Medical Image Segmentation with InTEnt: Integrated Entropy Weighting for Single Image Test-Time Adaptation

【医学图像分割】使用 InTEnt 进行医学图像分割：用于单图像测试时间适应的综合熵权

作者：Haoyu Dong, Nicholas Konz, Hanxue Gu, Maciej A. Mazurowski 

 中文摘要：

测试时适应（TTA）是指在测试期间将经过训练的模型适应新领域。 现有的 TTA 技术依赖于拥有来自同一域的多个测试图像，但这在医学成像等现实应用中可能不切实际，因为在这些应用中数据采集成本高昂且成像条件经常变化。 在这里，我们处理这样的任务，即仅使用单个未标记的测试图像来调整医学图像分割模型。 大多数直接最小化预测熵的 TTA 方法在这种情况下无法显着提高性能，在这种情况下，我们还观察到批归一化（BN）层统计数据的选择是一个非常重要但不稳定的因素，因为只有一个 测试域示例。 为了克服这个问题，我们建议整合训练和测试统计数据之间目标域统计数据的各种估计所做的过度预测，并根据熵统计数据进行加权。 我们的方法在 3 个医学图像数据集的 24 个源/目标域分割上进行了验证，平均超过领先方法 2.9% 的 Dice 系数。

4. 【Medical Image Segmentation】BEFUnet: A Hybrid CNN-Transformer Architecture for Precise Medical Image Segmentation

【医学图像分割】BEFUnet：用于精确医学图像分割的混合 CNN-Transformer 架构

作者：Omid Nejati Manzari, Javad Mirzapour Kaleybar, Hooman Saadat, Shahin Maleki 

中文摘要：

医学图像的准确分割对于各种医疗保健应用至关重要。 卷积神经网络（CNN），特别是像 U-Net 这样的全卷积网络（FCN），在医学图像分割任务中取得了显着的成功。 然而，它们在捕获全局上下文和远程关系方面存在局限性，特别是对于形状、尺度和纹理具有显着变化的对象。 虽然 Transformer 在自然语言处理和图像识别方面取得了最先进的成果，但由于图像局部性和平移不变性问题，它们在医学图像分割方面面临挑战。 为了应对这些挑战，本文提出了一种名为 BEFUnet 的创新 U 形网络，它增强了身体和边缘信息的融合，以实现精确的医学图像分割。 BEFUnet 包含三个主要模块，包括新颖的局部交叉注意特征（LCAF）融合模块、新颖的双层融合（DLF）模块和双分支编码器。 双分支编码器由边缘编码器和主体编码器组成。 边缘编码器采用 PDC 块进行有效的边缘信息提取，而主体编码器使用 Swin Transformer 捕获具有全局注意力的语义信息。 LCAF 模块通过选择性地对两种模态之间空间接近的特征执行局部交叉注意力，有效地融合边缘和身体特征。 与全局交叉注意力相比，这种局部方法显着降低了计算复杂度，同时确保了准确的特征匹配。 BEFUnet 在医学图像分割数据集的各种评估指标上表现出了优于现有方法的性能。

 

5. 【Medical Image Segmentation】Semi-Mamba-UNet: Pixel-Level Contrastive Cross-Supervised Visual Mamba-based UNet for Semi-Supervised Medical Image Segmentation

【医学图像分割】Semi-Mamba-UNet：用于半监督医学图像分割的像素级对比交叉监督视觉 Mamba UNet

 

 作者：Ziyang Wang, Chao Ma

 中文摘要：

医学图像分割在诊断、治疗计划和医疗保健中至关重要，深度学习提供了有希望的进步。 值得注意的是，卷积神经网络（CNN）擅长捕获局部图像特征，而视觉变换器（ViT）则通过多头自注意力机制熟练地对远程依赖关系进行建模。 尽管 CNN 和 ViT 各有优势，但它们在有效处理医学图像中的远程依赖性方面都面临着挑战，通常需要大量的计算资源。 这个问题，加上专家注释的高成本和有限的可用性，对实现精确分割构成了重大障碍。 为了应对这些挑战，本文引入了 Semi-Mamba-UNet，它将基于视觉曼巴的 UNet 架构与传统的 UNet 集成到半监督学习（SSL）框架中。 这种创新的 SSL 方法利用双网络共同生成伪标签并相互交叉监督，从一致性正则化技术中汲取灵感。 此外，我们引入了自监督像素级对比学习策略，采用投影仪对进一步增强特征学习能力。 我们对公开的 MRI 心脏分割数据集进行了全面评估，并与具有不同基于 UNet 的分割网络的各种 SSL 框架进行了比较，突显了 Semi-Mamba-UNet 的卓越性能。 源代码已公开。

---

不方便下载的，我已整理好

在【AI技术星球】VX公众号后台回复：211，获取论文代码，赶快学起来！

需要论文指导发刊的 【AI交叉学科、SCI、CCF-ABC、期刊、会议、本硕博论文、在职论文指导、大佬Kaggle带队拿牌、 润色发刊等 】  

白嫖100G入门到进阶AI资源包+kaggle竞赛+就业指导+技术问题答疑

1、超详细的人工智能学习路

2、OpenCV、Pytorch、YOLO等教程

3、人工智能快速入门教程（Python基础、数学基础、NLP）附源码课件数据

4、机器学习算法+深度学习神经网络基础教程

5、人工智能必看书籍（花书、西瓜书、蜥蜴书等）

6、顶刊论文及行业报告

7、SCI论文攻略 及润色等