最新医学半监督分割
文章平均质量分 92
2024年半监督医学图像语义分割
木木要早睡
深度学习 三维点云 定位建图 医学图像
展开
-
【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。原创 2024-09-25 16:06:03 · 779 阅读 · 0 评论 -
【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。原创 2024-09-25 15:05:47 · 1107 阅读 · 0 评论 -
【医学半监督】互补一致性半监督学习
CC-Net 从互补信息的角度有效利用了无标记数据,解决了现有半监督分割算法从无标记数据中提取信息能力有限的问题。CC-Net 的互补对称结构包括一个主模式和两个辅助模式。原创 2024-09-20 17:48:52 · 825 阅读 · 0 评论 -
【医学半监督】置信度指导遮蔽学习的半监督医学图像分割
半监督学习(Semi-supervised learning)旨在利用少数标记数据和多数未标记数据训练出高性能模型。现有方法大多采用预测任务机制,在一致性或伪标签的约束下获得精确的分割图,但该机制通常无法克服确认偏差。针对这一问题,本文提出了一种用于半监督医学图像分割的新型置信度引导遮蔽学习具体来说,在预测任务的基础上,我们进一步引入了带有遮蔽学习的辅助生成任务,旨在重建遮蔽图像以极大地促进特征表征学习模型的能力。此外,我们还开发了一种置信度引导的遮蔽策略以增强不确定区域的模型辨别能力。此外,我们。原创 2024-09-20 16:57:12 · 883 阅读 · 0 评论 -
【医学半监督】对比互补掩蔽的自监督预训练半监督心脏图像分割
心脏结构分割对心脏病诊断非常重要,而使用大量注释的深度学习在这项任务中取得了显著的成绩。半监督学习(SSL)有望降低标注成本。然而,大多数半监督学习方法仅利用未标注的图像进行一致性正则化或伪标签,而忽视了其通过预训练进行特征学习的潜力。在这项工作中,我们提出了一个新颖的框架,利用自监督预训练来实现更好的半监督分割。我们的框架由两个模块组成:1)基于对比互补掩码(CCM)的自监督预训练,即对同一输入的互补掩码版本进行编码的两个网络使用对比损失,此外还使用重构损失来增强全局和局部特征学习;2)原创 2024-09-20 15:20:36 · 897 阅读 · 0 评论