![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
小样本医学图像分割
文章平均质量分 94
XL_Dylan
这个作者很懒,什么都没留下…
展开
-
[小样本医学图像]Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation
利用解剖相关性模拟One-Shot推理的泛化器官分割模型( IPMI 2021)摘要模仿学习是人类最重要的能力之一,在人类的计算神经系统中起着至关重要的作用。在医学图像分析中,给定几个样本(锚),有经验的放射科医生有能力通过模仿从现有器官类型中学习到的推理过程来描绘不熟悉的器官。受此启发,我们提出了OrganNet,它从一组标注的器官类别中学习一个广义的器官概念,然后将这个概念转移到没见过的类别中。在本文中,我们证明了这种过程可以集成到One-Shot分割任务中。我们提出金字塔推理模块(PRMs)来建模原创 2021-05-04 17:12:46 · 1404 阅读 · 3 评论 -
[医学小样本分割]Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative
基于判别嵌入的全局相关网络的Few-Shot医学图像分割论文地址摘要我们利用片段式(episodi)训练的深度卷积网络构造我们的Few-Shot图像分割器。基于医学图像的空间一致性和规律性,我们开发了一个高效的全局相关模块来捕获支持和查询图像之间的相关性,并将其纳入到全局相关网络中。此外,我们还提高了深度嵌入的可鉴别性,以促进同一类特征域的聚类,同时使不同器官的特征域保持较远的距离。存在的问题及解决方案医学图像Few-Shot分割虽然具有重要的应用潜力,但其研究还相对缺乏。医学图像的Few-Sho原创 2021-04-25 14:55:01 · 2943 阅读 · 12 评论 -
[小样本医学图像分割]Data augmentation using learned transformations for one-shot medical image segmentation
使用学习转换方法的数据扩充one-shot医学图像分割(CVPR2019)论文地址开源代码摘要本文提出了一种自动数据扩充方法来合成有标记的医学图像。我们展示了这一方法在分割大脑核磁共振成像(MRI)上的表现,我们的方法只需要一次分段扫描,并且在半监督的方法中利用了其它未标记的扫描。我们从图像中学习转换模型,并使用该模型和标记的示例来合成其他标记的示例。每个变换都由空间变换和强度变换组成,能够合成复杂的效果,如解剖和图像采集程序的变化。目前存在的问题和方案在医学图像的采集过程中,不同机器和机构的原创 2021-04-24 10:16:40 · 1884 阅读 · 0 评论 -
[小样本医学图像]‘Squeeze & Excite’ Guided Few-Shot Segmentation of Volumetric Images
“挤压和刺激”引导的Few-shot体图像分割(Medical Image Analysis 2020)论文地址开源代码摘要我们提出了一种新颖的Few-Shot框架,用于只有少量注释切片的体医学图像分割。与其它计算机视觉工作相比,主要的挑战在于缺乏预先训练的网络和医学扫描的体性质。为了应对这些挑战,我们提出了一种包含“挤压&刺激”块的Few-Shot分割新架构。我们的双臂架构由包含一个条件分支,它处理带注释的支持输入并生成特定于任务的特征表示。这个表示被传递给使用这个信息来分割新的查询图像的原创 2021-04-20 15:22:12 · 1701 阅读 · 0 评论 -
[医学小样本分割]Self-supervision with Superpixels: Few-shot Medical Image Segmentation without Annotation
基于超像素的自监督:训练无注释的Few-Shot医学图像分割论文地址开源代码摘要Few-Shot语义分割(FSS)在医学影像领域具有广阔的应用前景。大多数现有的FSS技术都需要大量的注释语义类来进行训练。但由于缺乏标注,这些方法可能不适用于医学图像。为了解决这一问题,我们做出了以下几点贡献:(1)提出了一种新的自监督医学图像FSS框架,消除了训练过程中对标注的要求,生成基于超像素的伪标签进行监督;(2)将自适应局部原型池化模块插入原型网络,解决医学图像分割中常见的前景-背景不平衡问题;(3)我们证明原创 2021-04-19 09:19:36 · 4709 阅读 · 16 评论 -
[小样本图像分割]Hypercorrelation Squeeze for Few-Shot Segmenation
用于Few-Shot分割的超关联挤压论文地址开源代码摘要Few-Shot语义分割的目的是学习如何从查询图像中分割目标对象而只使用目标类的少量带注释的支持图像。这项具有挑战性的任务需要理解不同层次的视觉线索,并分析查询和支持图像之间的细粒度对应关系。为了解决这一问题,我们提出了利用多层次特征相关和高效四维卷积的超相关挤压网络(HSNet)。它从中间卷积层的不同层次中提取不同的特征,构建了一个4D相关张量集合,即超相关。该方法在金字塔结构中利用高效的中心四维卷积,以粗到细的方式逐步将高相关的高级语义和低原创 2021-04-16 17:00:00 · 2230 阅读 · 4 评论 -
[医学图像小样本分割]A LOCATION-SENSITIVE LOCAL PROTOTYPE NETWORK FOR FEW-SHOT MEDICAL IMAGE SEGMENTATION
一种用于Few-Shot医学图像分割的位置敏感局部原型网络(ISBI2021)论文地址摘要引入适当的先验知识是设计高性能少镜头分割算法的关键。由于许多医学图像模式中存在强力的空间先验知识,我们提出了一种基于原型的方法,即位置敏感的局部原型网络,利用空间先验来执行Few-Shot医学图像分割。我们的方法将用全局原型分割整个图像的困难问题分解为用局部原型分割局部区域的容易解决的子问题。存在的问题及解决方案在开发高性能的Few-Shot语义分割算法时,整合适当的先验知识是关键。众所周知,强大的空间先验是原创 2021-04-05 15:56:19 · 2372 阅读 · 6 评论