Papers with Semi-supervised Learning for Medical Image Segmentation(SSL4MIS)

置顶 已于 2023-09-20 22:03:03 修改
阅读量784 收藏 12
点赞数
分类专栏： 半监督学习 文章标签： 计算机视觉 人工智能 深度学习 神经网络
于 2023-08-31 21:42:47 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43656233/article/details/132611766
版权

Papers_with_SSL4MIS

CVPR2023

DateCategory标题TitleCodeBlog
2023-06半监督医学图像分割用于半监督医学图像分割的伪标签引导对比学习Pseudo-Label Guided Contrastive Learning for Semi-Supervised Medical Image SegmentationLinkLink
2023-06半监督图像分割SemiCVT：用于语义分割的半监督卷积视觉TransformerSemiCVT: Semi-Supervised Convolutional Vision Transformer for Semantic SegmentationNoneNone
2023-06半监督医学图像分割MagicNet：通过 Magic-Cube 分区和恢复进行半监督多器官分割MagicNet: Semi-Supervised Multi-Organ Segmentation via Magic-Cube Partition and RecoveryLinkNone
2023-06半监督医学图像分割用于半监督医学图像分割的双向复制粘贴Bidirectional Copy-Paste for Semi-Supervised Medical Image SegmentationLinkNone
2023-06半监督医学图像分割MCF：半监督医学图像分割的相互校正框架MCF: Mutual Correction Framework for Semi-Supervised Medical Image SegmentationLinkNone
2023-06半监督医学图像分割正交注释有利于几乎无人监督的医学图像分割Orthogonal Annotation Benefits Barely-Supervised Medical Image SegmentationLinkNone

AAAI2023

DateCategory标题TitleCodeBlog
2023-06半监督回归通过贝叶斯神经网络进行具有不确定性一致性和变分模型集成的半监督深度回归Semi-Supervised Deep Regression with Uncertainty Consistency and Variational Model Ensembling via Bayesian Neural NetworksLinkLink
2023-06半监督图像分割用概率表示促进半监督语义分割Boosting Semi-Supervised Semantic Segmentation with Probabilistic RepresentationsLinkNone

IJCAI2023

DateCategory标题TitleCodeBlog
2023-08半监督图像分割半监督语义分割与基于熵的均衡解耦Decoupling with Entropy-based Equalization for Semi-Supervised Semantic SegmentationNoneLink

MICCAI2023

TMI2023

MIA2023

IJCAI2022

DateCategory标题TitleCodeBlog
2023-06半监督医学图像分割用于半监督医学图像分割的不确定性引导像素对比学习Uncertainty-Guided Pixel Contrastive Learning for Semi-Supervised Medical Image SegmentationLinkLink

CVPR2022

DateCategory标题TitleCodeBlog
2022-06半监督医学图像分割组织病理学图像中细胞核半监督分割的跨补丁密集对比学习Cross-patch Dense Contrastive Learning for Semi-supervised Segmentation of Cellular Nuclei in Histopathologic ImagesLinkLink
2022-06半监督图像分割使用不可靠的伪标签的半监督语义分割Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-LabelsLinkLink

ICCV2021

DateCategory标题TitleCodeBlog
2021-08半监督图像分割通过类记忆库进行像素级对比学习的半监督语义分割Semi-Supervised Semantic Segmentation With Pixel-Level Contrastive Learning From a Class-Wise Memory BankLinkLink
2021-03图像分割探索语义分割的跨图像像素对比度Exploring Cross-Image Pixel Contrast for Semantic SegmentationLinkLink
2021-08半监督图像分割像素对比一致的半监督语义分割Pixel Contrastive-Consistent Semi-Supervised Semantic SegmentationNoneNone
学习不易
关注
专栏目录
Towards Generic Semi-Supervised Framework forVolumetric Medical Image Segmentation 论文阅读
weixin_51657614的博客
03-03 1127
面向体积医学图像分割的通用半监督框架论文：[2310.11320] Towards Generic Semi-Supervised Framework for Volumetric Medical Image Segmentation (arxiv.org)代码：GitHub - xmed-lab/GenericSSL：NeurIPS 2023：迈向用于体积医学图像分割的通用半监督框架摘要3D 医学图像中的体积标记是一项耗时的任务，需要专业知识。因此，人们越来越有兴趣使用半监督学习（SSL）技术来训练具有有
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读
qq_34809969的博客
07-28 9392
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 全文翻译+详细解读文章速览 文章速览 论文名：基于自监督学习的图像异常检测和定位方法 网址：[CutPaste网址链接](https://paperswithcode.com/paper/cutpaste-self-supervised-learning-for-anomaly) 作者：Chun-Liang Li*, Kihyuk Sohn*,
SSL4MIS:用于医学图像分割的半监督学习，文献综述和代码实现的集合
03-19
医学图像分割的半监督学习。 近来，半监督图像分割已成为医学图像计算中的热门话题，不幸的是，由于隐私策略等原因，只有少数开源代码和数据集。为了便于评估和公平比较，我们正在尝试建立一个半监督医学图像分割基准，以促进医学影像计算社区中的半监督学习研究。如果您有兴趣，可以随时将实现或想法推送到此存储库。 该项目最初是为我们以前的工作开发的，如果您发现对您的研究有用，请考虑引用以下内容： @article{luo2020urpc, title={Efficient Semi-supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency}, author={Luo, Xiangde and Liao, Wen
SSL4MIS：医学图像半监督分割的Baselines
我爱计算机视觉
11-09 2966
本文转载自知乎，已获作者授权转载。链接：https://zhuanlan.zhihu.com/p/27742537101引文先放链接，极速尝试SSL4MIShttps://github....
SSL4MIS：半监督医疗图像分割的开源之旅
最新发布
gitblog_09404的博客
09-13 402
SSL4MIS：半监督医疗图像分割的开源之旅 SSL4MIS Semi Supervised Learning for Medical Image Segmentation, a collection of literature reviews and code implementations. ...
探秘SSL4MIS：构建智能信息系统的强大工具
gitblog_00015的博客
03-24 445
探秘SSL4MIS：构建智能信息系统的强大工具 SSL4MISSemi Supervised Learning for Medical Image Segmentation, a collection of literature reviews and code implementations.项目地址:https://gitcode.com/gh_mirrors/ss/SSL4MIS 在数字...
SSL4MIS 开源项目教程
gitblog_00567的博客
08-08 483
SSL4MIS 开源项目教程 SSL4MISSemi Supervised Learning for Medical Image Segmentation, a collection of literature reviews and code implementations.项目地址:https://gitcode.com/gh_mirrors/ss/SSL4MIS 1. 项目的目录结构及介绍...
自监督学习(Self-Supervised Learning)多篇论文解读（下）
吴建明wujianming_110117
05-30 2359
自监督学习(Self-Supervised Learning)多篇论文解读（下） 之前的研究思路主要是设计各种各样的pretext任务，比如patch相对位置预测、旋转预测、灰度图片上色、视频帧排序等等。CVPR19和ICCV19上，Google Brain的几个研究员发表了两篇论文，从另外的视角分析和研究self-supervised learning问题。两篇paper名字分别是：Revisiting Self-Supervised Visual Representation Learning (CVP
T-PAMI-2021论文Semi-Supervised Multi-View Deep Discriminant Representation Learning阅读笔记
JXDShimon的博客
06-14 915
分享一篇论文。
2.翻译和笔记Multi-Task Attention-Based Semi-Supervised Learning for Medical Image Segmentation
weixin_44846755的博客
09-30 1173
Multi-Task Attention-Based Semi-Supervised Learning for Medical Image Segmentation的翻译与笔记
IJCAI2022 Uncertainty-Guided Pixel Contrastive Learning for Semi-Supervised Medical Image Segmen...
qq_43656233的博客
09-05 615
最近，对比学习在医学图像分割中显示出巨大的潜力。然而，由于缺乏专家注释，在半监督场景中应用对比学习具有挑战性。为了解决这个问题，我们提出了一种新颖的用于半监督医学图像分割的不确定性引导像素对比学习方法。具体来说，我们为每个未标记图像构建不确定性图，然后去除不确定性图中的不确定性区域以减少噪声采样的可能性。不确定性图是由精心设计的一致性学习机制确定的，该机制通过鼓励两个不同解码器的一致网络输出来生成对未标记数据的全面预测。此外，我们建议图像编码器学习的有效全局表示应该与不同的几何变换等效。
Semi-supervised Learning for Network-Based Cardiac MR Image Segmentation
u014264373的博客
03-16 1400
注：文章中给了GitHub上的源码摘要：训练一个完全卷积网络的 pixel-wise像素明智（或体素明智）图像分割通常需要大量的训练图像与相应的groundtruth label maps。然而，在医学成像领域获得如此大的训练集是一项挑战，其中专家注释耗时且难以获得。在本文中，我们提出了一种半监督学习方法，其中分割网络是从标记和未标记的数据进行训练。未标记数据的网络参数和分割交替更新。在短轴心脏M...
论文解读《Mutual Correction Framework for Semi-Supervised Medical Image Segmentation》
weixin_37591159的博客
10-25 1661
最后，在两个不同模态的公开基准数据集上的分割结果显示了MCF在半监督医学图像上的潜力，取得了最先进的性能。我们巧妙地使用Dice损失来实时测量子网的分割性能，并选择一个性能更好的子网作为另一个子网的伪标签生成器。我们使用dice损失作为评价标准，因为损失可以直接反映dice系数，并且不会引入额外的计算，它是在标记数据上计算的。CDR的灵感来自一个简单的事实:在二分类场景中，如果两个分类器对相同的体素有不同的预测，那么其中一个肯定是错误的。因此，将不一致的预测视为可能的错误预测区域，并让网络审查这些区域。
【医学图像】图像分割系列.3 （uncertainty）
m0_61899108的博客
05-30 2800
​ 介绍几篇使用不确定性引导的医学图像分割论文：UA-MT（MICCAI2019），SSL4MIS（MICCAI2021），UG-MCL（AIIM2022）. ​
IJCAI2023 Decoupling with Entropy-based Equalization for Semi-Supervised Semantic Segmentation
qq_43656233的博客
09-16 367
半监督语义分割方法是缓解语义分割中标注消耗高问题的主要解决方案。然而，类不平衡问题使得模型偏向于训练样本充足的头类，导致尾类的性能较差。为了解决这个问题，我们提出了一种基于师生模型的解耦半监督语义分割（DeS4DeS^4DeS4）框架。具体来说，我们首先提出了一种解耦训练策略将编码器和分段解码器的训练分开，以实现平衡解码器。然后，提出了一种基于不可学习原型的分割头来正则化类别表示分布一致性，并在教师模型和学生模型之间进行更好的连接。此外，提出了一种多熵采样（MES）策略。
论文解读《Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation》
weixin_37591159的博客
06-28 1752
*（2）**为了训练学生网络，我们通过从有标签的图像(前景)复制粘贴随机作物到无标签的图像(背景)，并相反地，从无标签的图像(前景)复制粘贴随机作物到有标签的图像(背景)来增加输入。具体来说，我们将随机裁剪的图像从标记图像(前景)复制粘贴到未标记图像(背景)上，并将未标记图像(前景)复制粘贴到标记图像(背景)上。[42]是一种简单而强大的数据处理方法，也被称为复制粘贴（CP），它有可能鼓励未标记的数据从标记的数据中学习通用语义，因为同一地图中的像素共享的语义更接近[29]。，指示背景和目标在X中的位置。
paperswithcode查找数据集
04-22
Papers with Code是一个非常有用的网站，它提供了与机器学习和深度学习相关的论文和代码的集合。在Papers with Code上，你可以找到各种各样的数据集，用于不同的任务和领域。 要查找数据集，你可以按照以下步骤进行操作： 1. 打开Papers with Code的官方网站（https://paperswithcode.com/）。 2. 在网站的顶部导航栏中，点击"Datasets"选项。 3. 这将带你进入数据集页面，你可以在搜索框中输入关键词来查找特定的数据集。例如，你可以输入"image classification"来查找与图像分类相关的数据集。 4. 在搜索结果页面上，你可以看到与你输入的关键词相关的数据集列表。每个数据集都有一个简短的描述和相关的论文和代码链接。 5. 点击感兴趣的数据集，你将被带到该数据集的详细页面，其中包含更多关于该数据集的信息，包括其任务、领域、标签等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值