- 博客(80)
- 收藏
- 关注
RSS订阅原创 【SAM医学分割】MedSAM分割医学图像中的任何内容
医学影像分割是临床实践中的重要组成部分，有助于准确诊断、制定治疗计划和监测疾病。然而，现有的方法通常针对特定的模式或疾病类型，在各种医学图像分割任务中缺乏通用性。本文介绍 MedSAM，这是一个基础模型，旨在通过实现通用医学影像分割来缩小这一差距。该模型是在一个大规模医学图像数据集上开发的，该数据集包含 1,570,263 个图像掩膜对，涵盖 10 种成像模式和 30 多种癌症类型。并对 86 个内部验证任务和 60 个外部验证任务进行了全面评估，结果表明该模型的准确性和鲁棒性优于按模式划分的专业模型。通过
2025-03-05 15:15:10
797
原创 【医学分割】基于显式形状先验学习的医学图像分割
如图 1 所示，所提出的模型是一个分层 U 型网络，由类似 ResNet 的编码器、基于 Resblock的解码器和形状先验模块（SPM）组成。SPM 是一个即插即用的模块，可以灵活地插入到其他网络结构中，以提高分割性能。在下面的章节中，将详细介绍 SPM，包括该模块的动机、详细结构和功能。为了摆脱对最终可学习原型的依赖，建议在基于 UNet 的网络中引入明确的形状先验，对每个类别施加解剖形状约束，以增强网络的表示能力。
2025-02-26 12:34:07
1004
原创 【Diffusion分割】基于扩散模型的牙齿 X 射线成像分割
DDPM 通过一系列迭代去噪步骤，学会将高斯噪声转换为目标分布，在图像合成方面取得了优于 GAN 的令人瞩目的成果。继 DDPM 在生成建模方面取得成功之后， 又探索了其在迭代过程中直接生成语义图的能力，即在每个去噪步骤中使用原始图像先验作为条件。文献[3]表明，
2025-02-25 20:22:18
502
原创 【Diffusion分割】基于扩散模型息肉分割
传统的扩散模型通常采用简化的训练目标，即尽量减小扩散 U-Net 模型生成的重建噪声输出与输入高斯噪声之间的差异。然而，
2025-02-25 14:28:42
1139
原创 【SAM-医学分割】医学图像分割SAM：当前应用和未来方向
由于提示的固有灵活性，基础模型已成为自然语言处理和计算机视觉领域的主导力量。最近推出的 "任意分割模型"（SAM）标志着提示驱动范式向图像分割领域的显著扩展，从而引入了大量以前未曾探索过的功能。然而，鉴于自然图像和医学图像之间的巨大差异，将其应用于医学图像分割的可行性仍不确定。本文全面概述了近期旨在将 SAM 的功效扩展到医学图像分割任务的努力，包括经验基准和方法调整。此外，还探讨了 SAM 在医学图像分割中作用的未来研究方向的潜在途径。
2025-02-22 15:04:24
825
原创 【Diffusion分割】金字塔边缘加权扩散分割模型
在 TN3K 和自己收集的数据集上验证了模型，在样本量较小的情况下，模型优于传统的分割模型，而且边缘学习分支的引入解决了原模型中边界分割结果不均匀的问题（见表 1）。
2025-01-14 20:24:32
921
原创 【Diffusion分割】边界辅助扩散模型
皮肤病变图像存在形状和大小多变、病变与背景边界模糊等问题，因此很难从图像中准确分割病变。为解决这一难题，本文提出了用于皮肤病变分割的边界辅助扩散模型，通过引入额外的边界感知任务，将边界信息纳入扩散模型的去噪学习过程。本文设计了边界感知融合模型来捕捉深度网络的边界信息，并将边界信息纳入扩散模型的学习过程。还提出了一种尺度协调交互模型，它能有效地传递和增强不同尺度特征的信息，并在处理不同大小的病变时提高模型的性能。
2025-01-07 09:46:52
693
原创 【Diffusion分割】医学图像的扩散分割
去噪扩散概率模型由于能够提供概率模型并产生不同的输出结果而越来越受欢迎。这种多功能性激发了它们在图像分割中的应用，在图像分割中，模型的多重预测可以产生分割结果，不仅实现高质量，还能捕捉模型固有的不确定性。在此，本文提出了功能强大的架构来提高扩散分割性能。然而，此外，还评估了所提出的扩散分割架构在直接进行分割训练时的表现。最后，还探讨了不同的医学分割任务如何影响扩散分割行为，以及如何对扩散过程进行相应调整。通过这些分析，旨在深入了解扩散分割的行为，以便在未来更好地设计和评估扩散分割方法。
2024-12-27 15:06:06
665
原创 【Diffusion分割】生物医学图像的稳定扩散分割
扩散模型已在各种生成任务中证明了其有效性。然而，当应用于医学图像分割时，这些模型遇到了一些挑战，包括大量的资源和时间需求。它们还需要一个多步骤的反向过程和多个样本才能产生可靠的预测结果。为了应对这些挑战，引入了第一个。广泛的实验表明，SDSeg 在五个具有不同成像模式的基准数据集上超越了现有的先进方法。值得注意的是，。
2024-12-27 11:09:59
793
原创 【Diffusion分割】基于扩散模型的模糊医学图像分割
在三种不同的医学图像模式（CT、超声波和核磁共振成像）上证明，模型能够生成多种可能的变体，同时捕捉它们的出现频率。综合结果表明，提出的方法在准确性方面优于现有的最先进的模糊分割网络，同时保留了自然发生的变异。还提出了一种新的指标来评估分割预测的多样性和准确性，这与临床实践中的集体洞察兴趣相一致。
2024-12-26 15:44:56
771
原创 【Diffusion分割】基于扩散概率模型的多模态裂纹分割
在道路检测机器人中集成灰度和深度数据可以提高道路状况评估的准确性、可靠性和全面性，从而改进维护策略，提高基础设施的安全性。然而，这些数据源通常会受到路面背景噪声的影响。最近，扩散概率模型（DPM）在图像分割任务中取得了显著的成功，展示了强大的去噪能力，SegDiff等研究就是证明。尽管取得了这些进步，但目前基于 DPM 的分割器并不能充分利用原始图像数据的潜力。在本文中，提出了一种基于 DPM 的裂缝分割新方法，名为 CrackSegDiff，它能独特地融合灰度和范围/深度图像。
2024-12-24 11:27:08
1030
原创 【Diffusion分割】眼底图像血管分割的扩散模型
在医学诊断中，准确分割眼底血管对于理解和识别各种解剖结构至关重要。然而，由于眼底图像质量差，血管分支结构复杂，传统算法在实现精确分割方面往往面临挑战。为了解决这个问题，提出了一种名为 HiDiffSeg 的新方法，它是一种用于血管分割的从粗到细的分层扩散模型。。同时。这是分层扩散模型首次应用于眼底血管分割。在三个公开的眼底视网膜数据集（即 DRIVE、STARE 和 CHASE_DB1）上使用评估指标证明了方法的准确性，并将其与 11 种最先进的眼底血管分割方法进行了比较。
2024-12-24 10:39:48
1203
原创 【Diffusion分割】Diff-SFCT：空间频率交叉Transformer扩散模型
现有的大多数语义分割方法主要采用带有判别模型的监督学习。在本文中，提出了一种基于扩散模型的新型医学图像分割框架，称为 Diff-SFCT。将语义分割表述为分割掩膜的生成问题，Diff-SFCT 采用了卷积神经网络（CNN）和变换器相结合的骨干网络，利用了 CNN 的局部感知和变换器的全局信息建模能力。。同时，提出了一种新颖的空间-频率交叉变换器（SFCT）框架，它能有效地对漫反射噪声掩模的全局特征和真实语义特征进行建模和交互，缩小两者之间的域差距，增强模型的表征能力。此外，
2024-12-24 09:50:10
880
原创 【医学分割】跨尺度全局状态建模和频率边界指导的分割架构
本文提出了一种基于 Mamba 和 CNN 的混合架构，称为 SkinMamba。它在保持线性复杂性的同时，。具体来说，此外，为了减少模型下采样过程中的边界模糊和信息丢失，。
2024-12-23 16:14:41
1108
原创 【半监督分割】利用有限数据分割医学图像
本文提出了一种基于一致性的半监督式新方法，DEMS 采用编码器-解码器架构，并结合了已开发的在线自动增强器（OAA）和残差鲁棒性增强（RRE）模块。OAA 通过各种图像变换来增强输入数据，从而使数据集多样化，提高泛化能力。此外，还引入了敏感损失，以进一步提高不同解码器之间的一致性，并稳定训练过程。
2024-12-23 14:42:19
1172
原创 【半监督分割】半监督超声图像分割的双频级联图模型
本文提出了一种带有扩散模型的双频级联图模型，用于半监督超声图像分割。该框架包括两个阶段。引入了图级联解码器来捕捉全局上下文信息，并对癌症病变区域进行自适应加权，以提高表示能力。
2024-12-23 14:04:32
929
原创 【半监督分割】半监督多层次全局上下文交叉一致性模型
卷积神经网络固有的局部操作特性使其难以关注不同位置、形状和大小病变的全局上下文信息。半监督学习可用于从已标记和未标记样本中学习，减轻人工标记的负担。本文提出了一种多层次全局上下文交叉一致性（MGCC）框架，该框架将潜在扩散模型（LDM）生成的图像作为半监督学习的非标记图像。该框架包括两个阶段。第一阶段，使用 LDM 生成合成医疗图像，从而减少数据标注的工作量，并解决与收集医疗数据相关的隐私问题。第二阶段，在辅助解码器的输入中加入不同程度的全局上下文噪声扰动，并在解码器之间保持输出一致性，以提高表示能力。在开
2024-12-23 12:03:17
879
原创 【半监督分割】基于扩散模型的半监督医学图像分割的多重一致性
医学影像分割是一项艰巨的挑战，而众多数据集中注释数据的匮乏又加剧了这一挑战。半监督方法为缓解这一问题提供了可行的解决方案，而扩散模型的图像生成能力已显示出捕捉语义信息的潜力。本文介绍了通过扩散模型进行半监督医学图像分割的多重一致性（MCSD）。此外，方法优于现有的方法，通过各种标注数据比例的实验结果证明了它在半监督医学图像分割中的有效性。此外，这项研究还指出了扩散模型在半监督医学影像分割中的潜力，并为改进其在医学影像任务中的应用提出了建议。
2024-12-20 12:31:00
819
原创 【Diffusion分割】基于先验知识的显式-隐式扩散模型用于医学图像分割
扩散概率模型（DPM）在当前的图像生成任务中取得了无与伦比的成果，最近的一些研究工作将其应用于多个计算机视觉任务中，如图像超分辨率、物体检测等。得益于 DPM 生成细粒度细节的卓越能力，这些研究工作取得了显著的成果。在本文中，提出了一种新的基于 DPM 的生成式医学图像分割方法。。拟议的 EIDiffuSeg 是基于扩散概率模型（DPM）设计的，该模型由一个遵循马尔可夫参数化的前向扩散过程和一个后向推理过程组成。如图 1(A)所示，在前向扩散过程中，分割掩码 x0 经过 n 次噪声添加操作得到 xN。
2024-12-05 16:19:45
938
原创 【Diffusion分割】利用门-融合变换器和边缘-频率注意进行视网膜血管分割的扩散概率学习
视网膜血管拓扑为眼底疾病诊断提供了独特的生物学信息。然而，现有的大多数基于深度学习的血管分割方法主要关注全局眼底结构，可能存在泛化误差以及病变和图像噪声造成的模糊。。为了解决这些问题，提出了一种新颖的扩散概率学习与门控融合变换器和边缘频率注意（DPL-GFT-EFA），用于视网膜血管分割。具体来说，DPL 利用图像去噪作为预训练分割模型的代理任务，通过学习噪声相关信息来增强抗干扰能力。
2024-12-05 13:24:36
1066
原创 【特征融合】融合空间域和频率域提升边缘检测能力
基于深度学习的边缘检测方法已显示出巨大的优势，并获得了可喜的性能。然而，目前大多数方法只能从空间（RGB）域提取特征进行边缘检测，可挖掘的信息有限。因此，这些方法无法很好地应用于物体与背景颜色相似的场景。为了应对这一挑战，。。此外，还引入了空间-频率融合（S2F）模块，。
2024-12-04 16:52:03
1022
原创 【图像分割】SFFNet：基于小波的空间与频率域融合网络
具体来说，输入图像 x ∈ R^3×h×w，其中 h 和 w 分别为输入图像的高度和宽度、第一阶段的特征提取可以得到四个不同比例的特征：x1∈ R^C×H×W，x2∈ R^2C×(H/2)×(W/2)，x3∈ R^4C×(H/4)×(W/4)，x4∈ R^8C×(H/8)×(W/8)，其中 H 和 W 是下采样的高度和宽度，C = 96。然后，
2024-11-28 16:48:51
1291
原创 【小波变换】小波变换在图像生成、分割等任务中应用
在分辨率为 128 × 128 × 128 的 BraTS 和 LIDC-IDRI 无条件图像生成上的实验结果表明，与最新的 GAN、扩散模型和潜在扩散模型相比，方法具有最先进的图像保真度（FID）和样本多样性（MS-SSIM）得分。提出了一个基于自我注意的全局上下文感知（SGCA）模块，该模块采用不同的扩张率来扩大视野，并指定每个尺度的重要性，从而增强网络对特征的辨别能力。解码器旨在恢复图像的空间分辨率，由四层组成，每层包括两个卷积层，采用批量归一化和 ReLU 激活，然后是一个使用双线性的上采样层。
2024-11-28 13:48:18
860
原创 【Diffusion分割】用于医学图像分割的边缘与掩膜集成驱动扩散模型
去噪扩散概率模型（DDPM）在医学图像分割领域展现出巨大的潜力。然而，目前的 DDPM 实现依赖于原始图像特征作为条件信息，因此缺乏特别强调边缘信息的能力，而边缘信息是解决分割这一主要挑战的关键方面。此外，用于调节扩散过程的必要语义特征与噪声嵌入缺乏有效的一致性。为了解决上述问题，我们提出了一种新颖的边缘与掩码整合驱动扩散模型（EMidDiff）。具体来说，1）2)脑肿瘤分割和视杯分割的实验结果表明，我们的方法非常有效，其性能超过了一些最先进的分割扩散模型。
2024-11-21 15:41:58
1034
原创 【Attention】用于医学图像分割的双重交叉注意力
提出了一种简单而有效的注意力模块--DCA，以改进基于 U-Net 架构的跳转连接方案，这种方案在编码器和解码器特征之间引入了语义鸿沟，限制了分割性能。交叉关注机制使模型能够捕捉不同尺度的依赖关系，从而获得更好的特征表征。
2024-11-20 15:57:05
1067
原创 【Attention】DA-TransUNet：将空间和通道双重注意力与Trans U-net 集成
准确的医学图像分割对于疾病量化和治疗评估至关重要。传统的 U-Net 架构及其变压器集成变体在自动分割任务中表现出色。现有模型在参数效率和计算复杂性方面也存在问题，这通常是由于大量使用了变换器。然而，它们缺乏利用图像内在位置和通道特征的能力。采用位置和通道双重关注机制的研究还没有针对医学图像的高细节要求进行专门优化。为了解决这些问题，同时，DA-TransUNet 在医学图像分割任务中得到了验证，在 5 个数据集上的表现始终优于最先进的技术。
2024-11-20 14:39:38
1142
原创 【Diffusion分割】Diff-UNet：用于体积分割的Diffusion网络
近年来，去噪扩散模型（Denoising Diffusion Models）在为图像生成建模生成有语义价值的像素表示方面取得了显著成功。在本研究中，提出了一种用于医学容积分割的新型端到端框架，称为 Diff-UNet。方法将扩散模型集成到标准的 U 型架构中，从而有效地从输入容积中提取语义信息，为医学容积分割提供出色的像素级表示。在三个数据集上对我们的方法进行了评估，包括磁共振成像中的多模态脑肿瘤、肝脏肿瘤和多器官 CT 容量，结果表明 Diff-UNet 明显优于其他最先进的方法。
2024-11-19 15:11:47
881
原创 【Diffusion模型】Cold Diffusion: 无噪声反转任意图像变换
标准的扩散模型涉及图像变换--添加高斯噪声和反转这种退化的图像复原算子。我们观察到，扩散模型的生成行为与图像降级的选择并无密切关系，事实上，通过改变这种选择，可以构建整个生成模型系列。即使使用完全确定性的退化（如模糊、遮蔽等），扩散模型所依据的训练和测试时间更新规则也可以很容易地概括为生成模型。这些完全确定性模型的成功使人们对扩散模型的理解产生了质疑，因为扩散模型依赖于梯度朗格文动力学或变分推理中的噪声，这也为反转任意过程的广义扩散模型铺平了道路。
2024-11-18 14:45:54
1112
原创 【Diffusion分割】CorrDiff：用于脑肿瘤分割的校正扩散模型
要进行精确的临床诊断和治疗，必须对核磁共振成像图像中的脑肿瘤进行准确分割。然而，现有的医学图像分割方法存在误差，可分为随机误差和系统误差两类。随机误差产生于各种不可预测的影响，给检测和纠正带来了挑战。相反，系统误差可归因于系统效应，可通过机器学习技术有效解决。在本文中，我们提出了一种校正扩散模型，。此外，此外，我们。我们的模型在 BRATS2019、BRATS2020 和 Jun Cheng 数据集上进行了评估。实验结果表明，在脑肿瘤分割方面，我们的模型比最先进的方法更有效。
2024-11-18 10:35:10
1333
原创 【Diffusion分割】医学图像分割中去噪扩散技术
扩散模型（DPM）在图像生成方面表现出了卓越的性能，其性能往往优于其他生成模型。自其问世以来，强大的噪声-图像去噪管道已被扩展到各种判别任务中，包括图像分割。在医学成像中，图像往往是大型三维扫描图像，由于内存消耗大、迭代采样过程耗时，使用 DPM 对一幅图像进行分割的效率极低。在这项工作中，我们提出了一种（LDSeg），可在潜空间中执行扩散，用于医学影像分割。我们。潜空间条件扩散不仅能确保对多标签对象进行精确的 n-D 图像分割，还能缓解基于 DPM 的传统分割法的主要潜在问题：（。
2024-11-16 10:40:14
811
原创 【Attention】ICAFusion：用于多光谱物体检测的迭代交叉注意引导的特征融合
多光谱图像的有效特征融合在多光谱物体检测中起着至关重要的作用。以往的研究已经证明了使用卷积神经网络进行特征融合的有效性，但由于局部范围特征交互的固有缺陷，这些方法对图像错位很敏感，从而导致性能下降。为解决这一问题，我们提出了一种新颖的双交叉注意变换器特征融合框架，以模拟全局特征交互并同时捕捉跨模态的互补信息。该框架通过查询引导的交叉注意机制增强了物体特征的可辨别性，从而提高了性能。然而，为增强特征而堆叠多个变压器块会产生大量参数和较高的空间复杂性。
2024-11-06 14:24:30
913
原创 【Diffusion分割】HiDiff：医学图像分割混合扩散模型
随着深度学习（DL）技术的快速发展，医学影像分割技术得到了长足的进步。现有的基于深度学习的分割模型通常是判别性的，即它们旨在学习从输入图像到分割掩膜的映射。然而，这些判别方法忽视了底层数据分布和内在类别特征，导致特征空间不稳定。在这项工作中，我们建议利用生成模型中的底层数据分布知识来补充判别式分割方法。为此，我们提出了一种用于医学影像分割的新型混合扩散框架，称为 HiDiff，它可以协同现有的判别分割模型和新的生成扩散模型的优势。判别分割器和扩散细化器。首先，我们。
2024-10-17 10:14:40
1097
原创 【Diffusion分割】Cold SegDiffusion：医学图像分割的扩散模型
随着深度学习的发展，扩散模型在医学图像分割任务中表现出了卓越的性能。然而，传统的分割扩散模型通常采用随机高斯噪声生成分割掩膜，导致分割掩膜不唯一，无法保证分割结果的可重复性。为解决这一问题，本文介绍了一种基于扩散模型的用于普通医学图像分割的新方法 Cold SegDiffusion。在该方法中，医学图像分割被概念化为一个去噪问题。覆盖医学图像的分割掩码作为分割编码器的输入，解决了因噪声随机性而产生非唯一掩码的难题。此外，对比度增强模块旨在将特征转换到频域，以解决医学图像中对比度低和边界消失的问题。
2024-10-07 11:36:02
2324
原创 【Diffusion分割】CTS：基于一致性的医学图像分割模型
在医学图像分割任务中，扩散模型已显示出巨大的潜力。然而，主流的扩散模型存在采样次数多、预测结果慢等缺点。最近，作为独立生成网络的一致性模型解决了这一问题。与扩散模型相比，一致性模型可以将采样次数减少到一次，不仅能达到类似的生成效果，还能大大加快训练和预测速度。然而，它们并不适合图像分割任务，在医学影像领域的应用也尚未得到探索。因此，本文将一致性模型应用于医学图像分割任务，设计了多尺度特征信号监督模式和损失函数引导，以实现模型收敛。实验验证了 CTS 模型在测试阶段只需一次采样就能获得较好的医学图像分割结果。
2024-10-06 16:35:30
943
原创 【Diffusion分割】体素医学图像分割的通用半监督框架
标注体素医学图像需要专业知识，而且是一个耗时的过程。因此，使用半监督学习（SSL）来训练标注数据有限的模型是非常可取的。各种 SSL 技术已被提出，特别是在半监督体积医学图像分割（SSVMIS）领域，以充分利用标记和非标记数据。然而，目前的 SSVMIS 方法 都假设标记数据和非标记数据来自同一领域，这意味着它们具有相同的分布。在实践中，医学图像通常是使用不同的扫描仪从不同的临床中心采集的，这就造成了显著的域偏移。这些偏移是由患者群体、扫描仪和扫描采集设置的差异造成的。
2024-09-25 16:06:03
972
原创 【Diffusion分割】DiffRect：半监督医学图像分割的扩散标签校正技术
现有的半监督方法高度依赖于自生成伪标签的质量，容易出现监督错误和确认偏差。同时，这些方法无法充分捕捉潜在空间中的标签分布，对无标签数据的泛化能力有限。为了解决这些问题，我们提出了一种用于半监督医学图像分割的潜在扩散标签矫正模型（DiffRect）。DiffRect 首先利用标签上下文校准模块（LCC），通过学习伪标签的类别相关性来校准类别之间的偏差关系，然后在潜在空间上应用潜在特征校正模块（LFR），通过潜在扩散来制定和校正不同层次的伪标签分布。它利用去噪网络来学习从粗到细和从细到精的连续分布传输。
2024-09-25 15:05:47
1385
原创 【Diffusion分割】MedSegDiff-v2:Diffusion模型进行医学图像分割
最近的研究揭示了 DPM 在医学图像分析领域的实用性，医学图像分割模型在各种任务中表现出的出色性能就证明了这一点。尽管这些模型最初是以 UNet 架构为基础的，但通过整合视觉Transformer机制，仍有可能提高其性能。然而，我们发现，简单地将这两个模型结合在一起会导致性能不佳。为了将这两种尖端技术有效地整合到医学图像分割中，我们提出了一种新颖的基于变换器的扩散框架，称为 MedSegDiffV2。我们在 20 个不同图像模式的医学图像分割任务中验证了它的有效性。
2024-09-25 10:41:55
1335
原创 【Diffusion分割】MedSegDiff-v1:Diffusion模型进行医学图像分割
最近的许多研究发现，Diffusion Probabilistic Model DPM 在图像去模糊、超分辨率和异常检测等各种其他视觉任务中也很有用。受 DPM 成功经验的启发，我们提出了 MedSegDiff 模型，这是第一个基于 DPM 的通用医学图像分割任务模型。为了增强 DPM 在医学图像分割中的分步区域注意力，我们提出了动态条件编码，为每个采样步骤建立状态自适应条件。此外，我们还提出了特征频率解析器（FF-Parser），以消除这一过程中高频噪声成分的负面影响。
2024-09-24 20:30:40
1038
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人