![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 91
@TangYi
向往Mauna Kea的星空
展开
-
MICCAI 2023 List of Papers
MICCAI 2023 List of papers原创 2024-07-10 14:08:03 · 658 阅读 · 0 评论 -
MICCAI 2024 每日一篇论文 纯纯直读 CUTS:用于多粒度无监督医学图像分割的深度学习和拓扑框架
主要贡献包括:CUTS 是一种新颖的无监督框架,采用双阶段方法:首先,它生成图像像素块的嵌入图像,通过卷积编码器训练嵌入,然后使用数据凝聚技术将这些像素块聚类为不同粒度的分割。针对每个阶段的优化目标,结合图像内重建和局部路径重建。使用基于多尺度、拓扑引导的数据粗粒度匹配方法,通过图像自适应聚类,生成多粒度分割。应用我们的框架来分割由视网膜图像和脑部MRI图像组成的医学图像数据集。我们通过定性和定量的度量方法评估CUTS的性能,并将其与其他无监督方法和监督方法进行比较。原创 2024-07-09 14:27:02 · 819 阅读 · 0 评论 -
MICCAI 2024Centerline Boundary Dice Loss for Vascular Segmentation
(1) 介绍了统一的clX-Dice变体,一个结合拓扑完整性和血管直径一致性的血管分割框架。(2) 从中心线Dice (clDice)损失中引入几何考虑因素,等效于边界差异过联合 (B-Dou)损失的新方法,使用基于掩膜距离的方法,增强了平移敏感性。(3) 提出了cbDice通过整合来自血管骨架的信息,适应血管直径的变化,确保分支的一致影响。(4) 进行了一般理论分析,以展示不同clX-Dice实现的几何变换响应。原创 2024-07-08 17:01:19 · 1003 阅读 · 0 评论 -
IterNet: Retinal Image Segmentation Utilizing Structural Redundancy in Vessel Networks
IterNet: Retinal Image Segmentation Utilizing Structural Redundancy in Vessel Networks 利用血管网络中的结构冗余进行视网膜图像分割 摘要:视网膜血管分割对视网膜血管疾病的诊断具有重要意义。为了进一步提高血管分割的性能,我们提出了基于UNet的新模型IterNet,它能够从分割的血管图像本身而不是原始输入图像中找到模糊的血管细节。原创 2021-04-05 23:01:38 · 2604 阅读 · 6 评论 -
SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation
论文阅读:SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation 用于视网膜血管分割的空间注意力U-Net 摘要:视网膜血管的精确分割(精确分割precise segmentation)对早期诊断与眼病有关的疾病,如糖尿病和高血压具有重要意义。在这项工作中,我们提出了一个轻量级的网络(lightweight network),称为空间注意力U-Net(SA-UN原创 2021-03-10 13:15:36 · 6991 阅读 · 6 评论 -
Modeling and Enhancing Low-Quality Retinal Fundus Images
Modeling and Enhancing Low-Quality RetinalFundus Images 低质量视网膜眼底图像的建模与增强摘要-眼底图像被广泛用于临床筛查和眼病的诊断。然而,不同经验水平的操作者拍摄的眼底图像在质量上有很大的差异。低质量的眼底图像增加了临床观察的不确定性,导致误诊的风险。然而,由于眼底成像的特殊光束和视网膜的结构,自然图像增强方法不能直接用于解决这一问题。在本文中,我们首先分析的检眼镜成像系统,并模拟一个可靠的降解的主要劣质因素,包括不均匀的照明,图像模糊,和文物翻译 2021-03-21 23:01:35 · 1025 阅读 · 2 评论