Diffusion图像分割
文章平均质量分 93
主要关注Diffusion用于图像分割、医学图像分割、半监督语义分割等
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 -
【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。原创 2024-09-24 20:30:40 · 778 阅读 · 0 评论 -
【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。原创 2024-09-25 10:41:55 · 931 阅读 · 0 评论 -
【Diffusion分割】FDiff-Fusion:基于模糊学习的去噪扩散融合网络
近年来,去噪扩散模型在图像分割建模中取得了令人瞩目的成就。凭借其强大的非线性建模能力和优越的泛化性能,去噪扩散模型逐渐被应用到医学图像分割任务中,为该领域带来了新的视角和方法。然而,现有方法忽略了分割边界的不确定性和区域的模糊性,导致分割结果不稳定、不准确。为解决这一问题,本文提出了一种基于模糊学习的三维医学图像分割去噪扩散融合网络(FDiff-Fusion)。通过将去噪扩散模型集成到经典的 UNet 网络中,该模型可以有效地从输入的医学图像中提取丰富的语义信息,从而为医学图像分割提供出色的像素级表示。原创 2024-09-24 16:53:22 · 1225 阅读 · 0 评论