论文解读 | TMI2024 使用跨风格一致性进行半监督医学图像分割：结合形状感知和局部上下文约束

最新推荐文章于 2025-01-02 19:19:27 发布
最新推荐文章于 2025-01-02 19:19:27 发布
阅读量2.4k 收藏 32
点赞数 19
文章标签： 论文阅读 图像处理 计算机视觉
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/m0_61574757/article/details/140503936
版权
最低0.47元/天 解锁文章
论文解读 | Mamba系列 | I2I-Mamba: 通过选择性状态空间建模的多模态医学图像合成
m0_61574757的博客
07-26 1486
本文提出了I2I-Mamba，一种基于选择性状态空间建模（SSM）的多模态医学图像合成方法。I2I-Mamba通过引入选择性状态空间模型，有效解决了传统方法在跨模态医学图像合成中存在的计算复杂度高、信息丢失等问题。该方法能够在保持高质量图像生成的同时，实现不同模态医学图像之间的灵活转换，为医学诊断、治疗计划制定等提供了有力支持。实验结果表明，I2I-Mamba在多个数据集上均取得了优异的表现，与现有方法相比，在图像质量、合成效率等方面均有所提升。1. 作者首次提出了。
论文解读 | MambaMIR：一种用于联合医学图像重建和不确定性估计的任意掩模眼镜蛇算法
m0_61574757的博客
07-26 1310
本文提出了一种基于Mamba模型的改进版本，称为MambaMIR，旨在用于医学图像的重建以及不确定性估计。MambaMIR继承了原始Mamba模型的线性复杂度、全局感受野和动态权重等优势，并创新性地引入了任意屏蔽机制，有效适应图像重建任务，并为后续的蒙特卡洛不确定性估计提供了随机性。
【半监督医学图像分割 2022 CVPR】S4CVnet 论文翻译
wujing1_1的博客
01-09 3140
由于医学影像界缺乏高质量标注，半监督学习方法在图像语义分割任务中受到高度重视。为了充分利用视觉转换器(ViT)和卷积神经网络(CNN)在半监督学习中的强大功能，本文提出了一种基于一致性感知伪标签的自集成方法。我们提出的框架包括一个由ViT和CNN相互增强的特征学习模块，以及一个用于一致性感知目的的健壮的指导模块。伪标签由特征学习模块中的CNN视图和ViT视图分别循环地推断和利用，以扩展数据集，彼此有益。同时，对特征学习模块设计了扰动方案，并利用平均网络权值设计了制导模块。
DTC:通过双任务一致性进行半监督医学图像分割
05-05
双任务一致性 本文的代码：通过双任务一致性进行半监督医学图像分割（ ） @article{luo2021semi, title={Semi-Supervised Medical Image Segmentation through Dual-task Consistency}, author={Luo, Xiangde and Chen, Jieneng and Song, Tao and Wang, Guotai}, journal={AAAI Conference on Artificial Intelligence}, year={2021} } 要求 一些重要的必需软件包包括： 版本> = 0.4.1。 TensorBoardX 的Python == 3.6 一些基本的python软件包，例如Numpy，Scikit-image，SimpleITK，S
【技术追踪】HiDiff：医学图像分割的混合扩散框架（TMI-2024）
风巽·剑染春水的博客
07-11 2042
HiDiff：一种用于医学图像分割的新型混合扩散框架，它可以协同现有判别分割模型和新型生成扩散模型的优势，在腹部器官、脑肿瘤、息肉和视网膜血管分割数据集上性能表现 SOTA ！
翻译：Semi-supervised Medical Image Segmentation through Dual-task Consistency
qq_36484003的博客
04-09 2592
Semi-supervised Medical Image Segmentation through Dual-task Consistency 文献：Semi-supervised Medical Image Segmentation through Dual-task Consistency（基于双任务一致性的半监督医学图像分割） 主题：Semi-supervised、Dual-task Consistency 目录Semi-supervised Medical Image Segmenta
【论文精读】Semi-supervised Medical Image Segmentation through Dual-task Consistency
weixin_45648030的博客
07-07 3448
CVPR 2021 基于双任务一致性的半监督医学图像分割代码：GitHub - HiLab-git/DTC: Semi-supervised Medical Image Segmentation through Dual-task Consistency 基于深度学习的半监督学习(SSL)算法在医学图像分割方面取得了很有前景的结果，可以通过利用未标记的数据来减轻医生昂贵的注释。然而，文献中现有的SSL算法大多倾向于通过扰动网络或数据来regularize模型训练。观察到多任务/双任务学习关注具
【半监督医学图像分割 2022 TMI】ASE-Net
wujing1_1的博客
07-16 1368
目前流行的半监督医学图像分割网络由于在不同的数据扰动下使用一致性学习来正则化模型训练，经常受到未标记数据的错误监督。这些网络忽略了标记和未标记数据之间的关系，只计算单个像素级的一致性，导致预测结果不确定。此外，由于骨干网的设计依赖于有监督的图像分割任务，这些网络往往需要大量的参数。此外，由于半监督图像分割通常采用少量的训练样本，这些网络往往面临较高的过拟合风险。针对上述问题，本文提出了一种基于动态卷积(ASE-Net)的对抗自拟网络，用于半监督医学图像分割。
论文解读 | Mamba系列 | UltraLight VM-UNet: 并行视觉Mamba显著减少皮肤病变分割参数
m0_61574757的博客
07-27 1615
本文提出了一种创新的超轻量级医学图像分割网络UltraLight VM-UNet，该网络通过将最新的状态空间模型（SSM）技术——Mamba，与经典的UNet架构相结合，实现了皮肤病变分割任务中参数数量和计算负载的显著减少。UltraLight VM-UNet的参数仅为0.049M，GFLOPs为0.060，相比传统模型在性能上保持竞争力甚至更优。
大模型卷入医学图像！PFPs：使用大型视觉和语言模型的提示引导灵活病理分割，用于多样化潜在结果
m0_61574757的博客
07-31 1209
本文探讨了在大视觉和语言模型框架下，通过引入提示（Prompt）来实现灵活多变的病理图像分割方法（PFPs）。现有的病理图像分割模型主要侧重于预测潜在结果，但缺乏医生输入的灵活性。本文提出了一种利用微调语言提示来引导多类别分割的高效计算流程，并通过实验验证了该方法的有效性。该方法不仅提高了分割的灵活性，还增强了模型对新病例的泛化能力。1.构建高效计算流程：使用微调的语言提示来指导灵活的多类别分割，提高了模型的计算效率和灵活性。2.性能比较：对比了使用固定提示与自由文本提示的分割性能。
2024年最新医学图像分割 3D nnUNet全流程快速实现_医学图像分割步骤(3)，从三流大数据开发外包到秒杀阿里P7,
2401_84185074的博客
05-10 1252
splits_file = r’*/DATASET/nnUNet_preprocessed/Task101_PC/splits_final.pkl’ # 保存在预处理结果那里。# nnunet文件夹文件名，nnUNet通过_0000和_0001这种形式分辨多模态输入。# 预处理文件夹下文件名，我这里有两种数据模态PET/CT，以及一个分割标签mask。data_folder = r’*’ # 个人数据集的文件夹路径。# nnunet文件夹文件名。# 预处理文件夹下文件名。# 获取想要的分折的结果。
【图像分割】2024年图像分割相关综述论文
wzk4869的博客
01-02 2645
【图像分割】2024年图像分割相关综述论文
【论文精读】TMI2021医学图像分割 SMU-Net
weixin_45648030的博客
07-01 8313
SMU-Net: Saliency-guided Morphology-aware U-Net for Breast Lesion Segmentation in Ultrasound ImageSMU-Net: 显著引导形态感知U-Net用于超声图像乳腺病变分割深度学习方法，尤其是卷积神经网络已成功应用于乳腺超声(BUS)图像的病变分割。然而，周围组织(即背景)与病灶区域(即前景)之间的模式复杂性和强度相似性给病灶分割带来了挑战。由于背景中包含了如此丰富的纹理信息，很少有方法试图探索和利用背景显著性表示来
半监督医学图像分割：基于对抗一致性学习和动态卷积网络的方法| 文献速递-深度学习结合医疗影像疾病诊断与病灶分割
weixin_38594676的博客
06-18 1229
然后，我们提出的DyBAC根据输入样本自适应调整卷积核的参数值，这不仅有效避免了网络过拟合，提高了网络的特征表示能力，还减少了内存开销。在三个公开可用的基准数据集上的实验证明，我们提出的ASE-Net优于现有的方法，在半监督医学图像分割中提供了有效的解决方案，显著降低了网络过拟合风险和一致性学习中的预测不确定性。其中最具代表性的方法之一是自我集成Mean Teacher (MT) ，它利用基于扰动的一致性损失在未标记数据上的自我集成教师模型与学生模型之间，同时结合在标记数据上的监督损失。
《Semi-supervised Medical Image Segmentation Using Cross-Model Pseudo-Supervision with Shape Awarene》
weixin_37591159的博客
09-29 2316
111
半监督学习之DTC(Semi-supervised Medical Image Segmentation through Dual-task Consistency)
kobayashi_的博客
06-17 2805
半监督学习之DTC 不同于MixMatch这类使用“数据增强后的结果一致性(consistency)”，改方法使用“任务一致性”来约束模型（正则化）。由于第一类方法的无监督信号的构建需要模型的预测流程，即每一步由“训练+预测”构成，所以相对的带来了训练时间的大大增加(在Keras框架里面可以通过构建类似GAN一样的结构，即将一个模型complie两次，但是预测的哪个模型的所有参数的设置为不可训练)。而DTC（开创性的工作）提出一种新思路——“任务一致性正则”，通过将分割分为pixel-wise分类任务和l
大数据最全医学图像处理（一）使用U-Net进行MRI的肝脏分割_chaos数据集
2401_84181704的博客
05-04 1382
make_dataset方法获取原始图像和分割掩膜的图像路径名，LiverDateset类继承torch的数据集类，通过make_dataset的路径名利用PIL Image库读取文件，并进行transforms变换成归一化的Tensor数据."""@ Brief: 自定义肝脏数据集"""import osimgs = []!!**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
MICCAI STS 2024牙齿半监督分割挑战赛
专注计算机视觉全栈知识分享
07-31 1115
在这里根据综述文献STS MICCAI 2023 Challenge: Grand challenge on 2D and 3D semi-supervised tooth segmentation给大家介绍一下去年STS 2023牙齿分割挑战赛的一些优秀的解决方案。具体来说，去年有434支团队注册了挑战，其中64支团队在最后阶段提交了有效结果。在满足进入最终阶段的所有标准的方法中，所有方法都基于深度学习方法进行，其中，伪标签生成方案是最常用的半监督策略——超过一半的团队采用。
【最新综述】医学图像分割深度半监督学习(下）
qq_43583311的博客
07-02 1305
Zhang 等人，2017）（图 4(b)）。与 Wang，Li 等人（2022 年）和 Wu，Wang 等人（2022 年）类似，一种跨级对比学习算法（You，Zhou 等人，2022 年）被设计用来增强半监督语义分割中局部特征的表示能力。然而，多模态半监督学习面临着一些挑战，主要包括数据模态缺失（Maheshwari, Liu, & Kira, 2023）、模态间类不平衡（Zhang, Zhang et al.，2023）和多模态数据异质性（Chen, Zhou, Liu et al.，2022）。
TMI分割论文
最新发布
03-08
### 关于TMI分割的学术论文 在探讨有关TMI（通常指医学图像中的肿瘤微环境或特定器官成像）分割的研究成果时，可以关注几个关键方面。虽然直接提及TMI的具体文献较少见，但可以从相关领域找到有价值的参考资料。 #### 多尺度卷积神经网络的应用 一种值得注意的方法是在肺结节分类中应用多尺度卷积神经网络(Multi-scale Convolutional Neural Networks)，这种方法同样适用于其他类型的医学影像分析任务，包括可能涉及TMI区域的识别与划分[^3]。 ```python import torch.nn as nn class MultiScaleCNN(nn.Module): def __init__(self, num_classes=2): super(MultiScaleCNN, self).__init__() # 定义不同感受野大小的卷积层来捕捉多尺度特征 self.conv1 = nn.Conv2d(1, 32, kernel_size=(3, 3)) self.conv2 = nn.Conv2d(32, 64, kernel_size=(5, 5)) def forward(self, x): out1 = F.relu(self.conv1(x)) # 小尺度特征提取 out2 = F.relu(self.conv2(out1)) # 中等尺度特征增强 return out2 ``` 此代码片段展示了如何构建一个多尺度卷积神经网络模型用于处理复杂的医学图像数据集，在实际应用中可以根据具体需求调整参数设置。 对于更广泛的背景理解以及获取最新的高质量研究工作，建议访问专注于多模式人机交互、界面和系统开发的重要国际论坛ICMI所收录的最佳论文集合[^1]。这些资源不仅限于传统意义上的人机互动话题，也涵盖了利用先进计算方法解决医疗健康等领域挑战的工作。 此外，了解某些知名学者及其团队的研究方向也能提供额外的帮助。例如，通过查阅某位教授所在实验室主页上的详细介绍可以获得灵感[^2]。
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