图像分割论文:Quality-aware semi-supervised learning for CMR segmentation

最新推荐文章于 2023-02-27 15:27:12 发布
最新推荐文章于 2023-02-27 15:27:12 发布
阅读量224 收藏
点赞数
分类专栏： 医学图像处理论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jlch5555/article/details/108681881
版权
本文由Bram Ruijsink在2020年发表于King's College London，提出了一种质量感知的半监督学习方法，用于解决医学图像分割中优质标注数据不足的问题。通过构建鲁棒的质量控制分类器，改善了数据增强和半监督学习的效果，尤其在心脏磁共振成像（CMR）的主动脉和心室分割任务中。
摘要由CSDN通过智能技术生成
图像分割论文:Quality-aware semi-supervised learning for CMR segmentation
Auther: Bram Ruijsink, Institution:King’s College London, Publish year: 2020
论文地址：https://arxiv.org/abs/2009.00584

Key point:

  • 医学图像分割目前存在的问题是难以获取优质的带标注数据，而数据增强和半监督式的方法有效性有限。
  • 作者基于这样一个前提：医学分割后的结果不直接应用于产品，而是应用于对疾病的诊疗或判断
  • 临床医生在评价图像分割结果时会基于大量生理和解剖学知识，为此作者提出了鲁棒质量控制分类器，为分割提供了有质量意识的半监督式数据扩充

Dataset:

心脏磁共振成像数据，存在两个独立的任务，一个是使用FCN分割主动脉区域，一个是使用U-Net分割左心室，右心室和左心室心肌。数据来自 UK Biobank cohort

Method:

最低0.47元/天 解锁文章
老中医5555
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Semi-supervised Learning for Network-Based Cardiac MR Image Segmentation文章解读
静静地玛尼石
10-27 1267
    本文针对全卷积神经网络有大量的参数，同时伴随着需要大量的训练数据集，然而由于医学图像的特殊性，如此大量的有标签数据不好提供，因此本文的贡献点之一是缓解了数据集少的问题。在公式2的目标函数中，通过引入右边第二项来定义这个半监督的优化问题；对于网络优化，这是本文的精髓所在：a.固定网络参数，采用此时的网络去评估未知数据的标签b.第二步，未知数据的标签采用第一步评估的结果固定，然后采用已标注的标...
硕士投稿ECCV2018 论文介绍-Response Map Quality-Aware 高效解决遮挡和目标变形的目标跟踪算法。
u011584612的博客
09-12 1379
              “Response Map Quality-Aware Correlation Filter Tracking”(submitted to ECCV workshop 2018) 完成。论文基于 QMF 和 Log-polar 高效解决目标跟踪算法中的遮挡和尺度变化问题，详见其原始 论文：https://arxiv.org/abs/1807.04880。 该论文在 AA...
半监督语义分割网络 Adversarial Learning for Semi-Supervised Semantic Segmentation论文阅读笔记
tcltyan的博客
12-13 3149
ALSS是半监督语义分割领域最早的文章之一，文章的动机仍然是ease the heavy human efforts of labeling pixel-level annotations。与弱监督领域通常采用的分类级标签数据和分类级损失函数不同，半监督学习更强调少量有标签数据与大量无标签数据的结合，其核心在于如何通过有标签数据更好地挖掘无标签数据的监督信息，从而达到提升模型性能而降低人力支出的目的。 ALSS提出采用对抗学习的方法，通过借鉴对抗生成网络里面的generator...
Quality-aware Feature Aggregation Networkfor Robust RGBT Tracking
xuan971130的博客
08-20 329
sds
论文笔记-FAIR: Quality-Aware Federated Learning with Precise User Incentive and Model Aggregation
m0_47308595的博客
02-27 599
MEC 移动设备边缘计算的兴起，移动设备逐渐具备了计算和存储能力，可以实现本地计算和模型训练，这就促进了联邦学习的形成，在保护用户隐私的同时来构件一个全局的训练模型。
python医学图像分割_基于各种挑战的SOTA医学图像分割方法
weixin_42452642的博客
12-30 1491
State-of-the-art medical image segmentation methods based on various challenges! (Updated 202003)ContentsHead2020 ICIAR: Automatic Lung Cancer Patient Management (LNDb) (LNDb)2019 MICCAI: Multimodal B...
（六：2020.08.22）MICCAI 2019 追踪之论文纲要（上）
Jojo论文基地
08-23 3954
MICCAI 2019 论文全解读之PARTII（关于图像分割）（修正于2020.08.22）前言《Searching Learning Strategy with Reinforcement Learning for 3D Medical Image Segmentation》（通过强化学习搜索学习策略进行3D医学图像分割）《Comparative Evaluation of Hand-Engineered and Deep-Learned Features for Neonatal Hip Bone S
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
CVPR 2019 论文汇总（按方向进行论文划分）
鬼刀
05-28 3万+
cvpr2019 accepted papers title（官方分类，需科学前往） Github论文汇总链接（欢迎star) 论文PDF下载（更新中，提取码：osvy） 论文解读汇总 目录：(也欢迎大家推荐自己的CVPR2019文章，以下篇幅较大，分类如有错误欢迎留言指出和补充谢谢~） 检测38分割50分类、识别19跟踪20人脸12人体姿态估计/手...
l-曲线matlab代码-LVgeometry-prediction:“基于神经网络的CMR图像中基于神经网络的左心室几何预测及其在生物力学中
05-24
l-曲线矩阵代码LV几何预测 “基于CMR图像的基于神经网络的左心室几何预测及其在生物力学中的应用”的代码和数据 简短说明： EXPORT_CROPS.py获取原始数据并准备进行分段。 EXPORT_SEG.py加载在EXPORT_CROPS中创建的数据，并调用运行分段软件的exportSEGsoftware.py。 EXPORT_3DMESH.py使用网络创建LV几何的重建。 数据集包含要用于分割的所有图像。 详细说明： 1.导出所需的MATLAB数据，然后将.mat数据复制到您的服务器 Matlab代码在桌面上运行（每个患者导出一个.mat文件）。导出的数据位于exportAI文件夹中。 该文件是SegmentationResultExportOrig.m，它在开头给出患者姓名的文件调用，您需要首先编辑并执行以下任一操作： SegmentationResultExport_SubjectLists SegmentationResultExport_SubjectLists_HV取消注释要导出的患者，或为新数据指定文件夹名称。 2.转到GPU服务器 数据位于： seg / expor
初识：心血管磁共振(CMR)成像
Paul_Huang的专栏
11-12 5949
一. 什么是CMR 1.1 定义 心血管磁共振成像 （CMR）， 俗称心脏MRI : 是一种评估心血管系统的功能与结构的一种非侵入式医学成像技术。 它运用磁共振成像(MRI)基本原理，针对心血管系统成像的特殊困难，优化现有的MRI成像技术，使其具有临床价值。 优化序列设计的重点主要在心电门控和快速成像技术两方面。结合这些不同的技术，组成的方案就能对心血管系统中的主要功能、形态和结构等进行评估。 1.2 物理层面 CMR的成像原理与其他磁共振成像技术基本原理类似，其关键点是利用心电门控技术，把数据采集的
【论文研读】【医学图像分割】【BCRNN】Fine-grained Recurrent Neural Networks for Automatic Prostate Segmentation ...
qq_40690815的博客
11-27 803
【BCRNN】基于超声波图像的前列腺分割，由于超声波图像不易处理，作者提出Boundary Completion RNN，将笛卡尔坐标转化为极坐标，使用双向LSTM学习，前后向h合并，预测出的结果与原图结合再进行一轮，共三轮。由于序列化的截取可能导致的问题又采用了多视角策略（进行多个角度截取）。
医学心脏数据集
hahahashinia的博客
12-10 8252
心脏数据集（MRI） 引言 目前研究方向是基于深度学习的心脏病诊断研究，研究第一步就是找数据集，谨以我自己的经验希望可以让后面相关研究者少走弯路。 心脏数据集 1.肥厚型心脏病 Hypertrophic Cardiomyopathy （MRI） https://medpix.nlm.nih.gov/case?id=dc0e0559-e5f0-4fbe-82be-3b610ce7a9b2 2.心尖...
基于深度学习的医学图像分割综述
热门推荐
愿十四亿神州尽舜尧
07-03 6万+
（自己写的，需要转载请联系作者，或者标明出处呀，欢迎加微信交流：wx604954） 摘要：医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展，如可视化、三维重建等，而且在生物医学图像的分析中也占有极其重要的地位。近年来,由于深度学习算法在医学图像分割中的应用, 医学图像分割技术取得了显著的进展。在本文中，我们讨...
MICCAI2017分割文章核心框架整理
静静地玛尼石
04-06 6663
1.A Fixed-Point Model for Pancreas Segmentation in Abdominal CT Scans1.        摘要：深层神经网络已被广泛应用于从腹部CT扫描中自动化器官分割。但是，细分一些小器官（例如胰腺）有时它准确度低于满意度，可以说是因为深层网络容易由复杂和可变的背景区域占据大部分输入区域而被影响。在本文中，我们解决这个问题通过使用预测分割掩模的...
深度学习图像分割：网络结构设计一览
idol24的博客
09-11 1969
点击上方“机器学习与生成对抗网络”，关注"星标"获取有趣、好玩的前沿干货！作者丨李慕清@知乎来源丨https://zhuanlan.zhihu.com/p/1048546...
【论文汇总】CVPR2020语义分割&医学图像分割paper汇总
int_8的博客
09-23 9215
语义分割&医学图像分割 @CVPR2020 CVPR2020语义分割和医学图像分割文章总结 文章目录语义分割&医学图像分割 @CVPR2020前言语义分割CascadePSP: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local RefinementContext Prior for Scene SegmentationStrip Pooling: Rethinking Spati
医学图像分割 （MICCAI 2019）
ReaFly的博客
04-15 1万+
一.头部 2.《FocusNet: Imbalanced Large and Small Organ Segmentation with an End-to-End Deep Neural Network for Head and Neck CT Images》 针对 Head and Neck(HaN) CT images 数据集来源：非公共数据集 和 MICCAI Head and Neck ...
ea-net:: edge-aware network for brain structure segmentation via decoupled h
最新发布
09-20
ea-net是一种通过分离式h实现的脑结构分割的边缘感知网络。脑结构分割是医学图像分析中的重要任务，它可以帮助医生快速、准确地识别出脑的各个结构，为疾病诊断和治疗提供依据。 ea-net采用了一种先进的神经网络结构，可以有效地处理医学图像的边缘信息。通过学习图像的边缘特征，ea-net能够识别出图像中不同脑结构的轮廓，并将其分割出来。与传统方法相比，ea-net具有更好的鲁棒性和准确性。 而这种边缘感知网络的关键之处在于其采用了分离式h。h在ea-net中起到了重要的作用，它是一个副任务，主要负责边缘信息的提取和学习。通过分离h和主任务网络，ea-net可以将边缘信息和主任务信息有效地解耦，从而提高了网络的性能。 通过训练，ea-net可以学习到大量的脑结构特征，并能够根据这些特征对图像进行准确的分割。同时，ea-net还能够适应不同的脑结构分割任务，并具有很强的泛化能力。 总而言之，ea-net是一种利用分离式h实现的边缘感知网络，用于脑结构分割任务。它通过学习图像的边缘信息，能够准确地分割出不同的脑结构，为医学图像分析和疾病诊断提供了重要的帮助。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值