[MICCAI2019] Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion

最新推荐文章于 2024-07-17 11:16:50 发布
最新推荐文章于 2024-07-17 11:16:50 发布
阅读量1.6k 收藏 6
点赞数 2
分类专栏： MICCAI2019
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/qq_26020233/article/details/102863444
版权
该研究提出了一种通过特征解耦和门控融合实现多模态脑肿瘤分割的鲁棒方法，旨在解决分割任务中的模态缺失问题。在Brats15数据集上的实验表明，该方法在模态缺失情况下仍能保持高精度。研究还探讨了解耦和重建在网络中的作用，并与Brats18的NVIDIA方案进行了比较。
摘要由CSDN通过智能技术生成

Cheng chen，CUHK

Intro

针对分割问题中的模态缺失现象。利用 disentanglement的思路，将多模态的输入影像特征，解耦为modality-specific 以及 modality-invariant。在Brats15上进行实验。

Method

网络框架如下： E c E^c Ec编码脑影像的内容信息，得到content code， E a E^a Ea

最低0.47元/天 解锁文章
hellopipu
关注
  • 2
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
（脑肿瘤分割笔记：三十五）基于特征分离和门控融合的鲁棒多模态脑肿瘤分割
weixin_43921949的博客
09-11 947
特征分离和门控融合的多模态脑肿瘤分割！！
[深度学习论文笔记]Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion
Slientsake的博客
07-11 1193
Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion 基于特征分离和门控融合的鲁棒多模式脑肿瘤分割 Published: Feb 2020 MICCAI 2019 论文：https://arxiv.org/pdf/2002.09708 摘要：        准确的医学图像分割通常需要有效地学习多模态数据中的互补信息。然
GNN Algorithms(9): 多模态Multi-Modal、多任务Multi-Task
最新发布
天狼啸月1990的博客
07-17 832
多任务学习 (Multi-Task Learning, MTL)是一种将多个相关任务学习到一个模型中的方法，以提高模型的泛化能力和学习效率。在CV领域，多任务学习常用于图像分类、目标检测、语义分割等任务的联合学习。 多模态学习 (Multi-Modal Learning, MML)是一种将多种类型的数据(e.g. image, text, audio, v ideo等)作为输入的学习方法，以提高模型的表现力和泛化能力。
【论文阅读笔记】Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion
寸先生的AI道路
01-16 586
门控融合技术：用于将这些解耦后的特征有效地结合起来，形成一个统一的特征表示，用于后续的肿瘤分割任务。在缺失模态场景下，如果不仔细考虑，融合表示会受到来自空输入通道的噪声信息的影响，那么模型的性能将不可避免地下降。具体来说，将来自每个模态的解耦的内容编码连接起来，然后输入到输出通道为M的卷积层。这种方法增强了面对缺失数据时分割过程的鲁棒性，并在多种缺失模态的场景中显示出显著的改进。特征解耦部分：负责将不同成像模态（如MRI）的数据分解为模态特定的外观特征和跨模态的内容特征。方法是将输入的多种成像模态解耦为。
Brain Tumor Segmentation from Multi Modal MR images using Fully Convolutional Neural Network
weixin_43371569的博客
11-10 535
Brain Tumor Segmentation from Multi Modal MR images using Fully Convolutional Neural Network 文章作者：Varghese Alex, Mohammed Safwan, and Ganapathy Krishnamurthi 摘要：这篇文章不仅对脑肿瘤进行了分割，还对病情进行了分析。分割采用一个23 laye...
MICCAI2022|A Robust Volumetric Transformer for Accurate 3D Tumor Segmentation
qq_45807235的博客
03-07 842
我们提出了一种用于3D分割的Transformer架构，这是一项具有挑战性的任务，需要在编码局部和全局空间线索时保持复杂的平衡，并沿体积的所有轴保存信息。所提出的设计的编码器受益于同时编码局部和全局线索的自注意力机制，而解码器采用并行的自注意力和交叉注意力公式来捕获用于边界细化的精细细节。经验上，我们表明，所提出的设计选择产生了一个计算效率高的模型，在医学分割十项全能（MSD）脑肿瘤分割（BraTS）任务中具有竞争性和有前景的结果。我们进一步表明，通过我们的模型学习的表示对数据损坏是鲁棒的。
The Multimodal Brain Tumor Image Segmentation Benchmark（BRATS）
Beans___Lee的博客
11-28 4049
多模态脑肿瘤图像分割基准 摘要   本文结合MICCAI 2012和2013会议，报告了多模态脑肿瘤图像分割基准（BRATS）的建立和结果。20种最先进的肿瘤分割算法被应用于65个底、高评级胶质瘤患者的多对比MR扫描——由4个评分者手工标注，以及使用肿瘤图像模拟软件生成65个可比的扫描。定量评价结果显示，在分割不同肿瘤亚区（Dice得分在74%~85%之...
Left Ventricle Image Dataset by MICCAI2019 MICCAI 2019左心房医学图像数据集-数据集
03-19
The dataset is from MICCAI 2019 Challenge. 本数据集由MICCAI 2019出品。 leftventricleimage_test_datasets.zip TestData_LVQuan19_Description.pdf
MICCAI-2019.zip
01-27
【标题】"MICCAI-2019.zip" 是一个包含2019年国际医学计算与临床应用会议（Medical Image Computing and Computer Assisted Intervention，简称MICCAI）完整论文集的压缩文件。这个会议是全球医疗图像计算和计算机...
MICCAI2019论文列表（全）
09-17
### MICCAI2019论文列表概览与关键技术点解析 #### 一、概述 MICCAI（Medical Image Computing and Computer Assisted Intervention）是医学图像计算和计算机辅助介入领域最重要的国际会议之一，每年都会吸引来自...
[MICCAI2019] Unified Attentional Generative Adversarial Network for Brain Tumor Segmentation From Mu
xby的学习笔记存档处
09-02 587
Unified Attentional Generative Adversarial Network for Brain Tumor Segmentation From Multimodal Unpaired Images 作者信息， Wenguang Yuan， 华南理工
Many-to-Many Voice Conversion based Feature Disentanglement using Variational Autoencoder
林宋的搬砖流水账
09-12 172
会议：2021 interspeech 作者：Manh Luong 单位：Vinai Research, Hanoi, Vietnam 代码实现 文章目录abstractmethod abstract 基于VAE的说话人特征和内容的解耦，认为同一说话人两句话中的说话人信息是一样的，内容是不一样的。说话人特征+内容=一句话包含的信息。 method # style_mu, style_logvar是同一个fc输出的维度split结果 # content_mu1, content_logvar1是同一个fc输出
【Bias 04】Adversarial Feature Disentanglement for Place Recognition Across Changing Appearance
qq_40731332的博客
11-22 491
Abstract & Introduction Visual place recognition: 给不同环境下的一系列图片，找到一对相同位置图片的联系。特征提取是这个任务的关键，因为appearance是改变的，需要找到不变的特征。 本文提出分离domain-unrelated feature（place feature）和domain-related feature（appearance feature），其中domain-unrelated feature去place recognitio
论文笔记 Locality-Sensitive Deconvolution Networks with Gated Fusion for RGB-D Indoor Semantic Segmentat...
LXY13635303541的博客
09-29 685
用于RGB-D室内语义分割的具有门控融合的局部敏感反卷积网络 abstract problem: indoor semantic segmentation using RGB-D data motivation: there is still room for improvements in two aspects: boundary segmen...
Gated Fusion Network for Single Image Dehazing
女王の专属领地
04-19 6679
动机    在dehaze的问题里，其需要解决两个问题，一个是由于大气光造成的颜色投射出现差异，一个是其传输过程中所造成的可视效果衰减。因此论文通过对原始图像进行处理，尽可能的分别恢复出其颜色投射、可视效果，同时由于可视效果太暗，再增加伽马矫正，将这三个图像和原始的image输入，这就是这篇论文的动机。 方法    网络的核心思想就是学习confidence特征图去处理从原始图像获得的...
【学习】auto-encoder、feature disentanglement、discrete representation、anomaly detection
Raphael9900的博客
12-22 749
李宏毅机器学习
Gated Fully Fusion for Semantic Segmentation论文阅读
qq_38861679的博客
12-25 2059
Abstract 深度卷积网络在语义分割任务上是有效的，但是高层次特征的低分辨率导致在小物体和边界上的分割效果较差(需要细节信息)。考虑引入低层次特征去补偿高层次特征丢失的细节信息是很自然的想法，仅仅结合多尺度特征存在着语义间隔问题。这篇文章提出Gated Fully Fusion(GFF)结构，选择性融合多尺度特征，通过融合强语义高层次特征和细节低层次特征提升特征表达能力，gates用来控制有用信息的传播，减少融合时的噪声。 Introduction 语义分割的基本任务是为每个像素产生高层次表达：高层次和
《Gated Recurrent Fusion with Joint TrainingFramework for Robust End-to-End SpeechRecognition》阅读
qq_46079584的博客
07-15 611
语音识别
MICCAI2019医学图像处理论文集：第6部分亮点
"MICCAI2019-会议论文集第6部分 Part-VI.pdf，包含94篇在2019年医学图像处理顶级会议MICCAI上发表的论文，重点关注医学图像分析、分割、检测及重建技术。" 本文集中涵盖了多个关键领域的研究，以下是一些核心知识点...
评论 1
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