![](https://img-blog.csdnimg.cn/20190927151053287.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
扩散模型阅读
文章平均质量分 86
扩散模型阅读
皮卡丘ZPC
这个作者很懒,什么都没留下…
展开
-
Self Pseudo Entropy Knowledge Distillation for Semi-supervised Semantic Segmentation 论文阅读
SUPERVISED语义分割方法依靠高质量的标记数据,在众多图像领域取得了显著的效果,如自然图像[1]-[4]、遥感图像[5]-[8]、医学图像[9]-[12]等。然而,在一些实际场景中,由于耗时的数据收集和标注,以及需要专业的理解,很难获得专家注释。此外,标注者的主观认知偏差问题使监督学习容易过拟合偏差,从而使模型无法学习到数据中嵌入的正确知识。为了解决这个问题,半监督语义分割得到了很多关注[13]-[35],它利用大量的原始数据来辅助训练,当只有很少的标记数据可用时。原创 2024-07-20 15:11:21 · 809 阅读 · 0 评论 -
HybridMIM: A Hybrid Masked Image ModelingFramework for 3D Medical Image Segmentation 阅读
基于变主干的掩膜图像建模(MIM)作为一种强大的自监督预训练技术,近年来得到了广泛的应用。现有的MIM方法采用的策略是对图像的随机斑块进行掩码,重建缺失的像素点,只考虑较低层次的语义信息,预训练时间较长。提出了一种基于掩模图像建模的混合自监督学习方HybridMIM,用于医学三维图像分割。具体来说,我们设计了一个两级屏蔽层次结构来指定子卷中哪些补丁被屏蔽以及如何被屏蔽,有效地提供了更高级别语义信息的约束。然后,我们从三个层面学习医学图像的语义信息,包括:原创 2024-06-03 16:21:51 · 573 阅读 · 0 评论 -
CrossMatch: Enhance Semi-Supervised Medical Image Segmentation with Perturbation Strategies 论文阅读
SEMANTIC分割作为一种像素级的精确分类技术,在医学图像分析领域起着至关重要的作用。特别是在处理复杂的三维CT和MRI数据时,虽然全监督学习方法可以获得高精度的分割结果,但人工标注成本高,操作复杂,严重限制了其应用。在为了克服这一瓶颈,出现了半监督医学图像分割方法,并显示出巨大的潜力[1]。这些方法的核心在于将少量标注数据与大量未标注数据有效结合,降低标注的高成本,实现准确分割,同时促进在临床等场景的广泛应用。半监督学习(SSL)的主要挑战是如何有效地利用未标记数据的潜力。原创 2024-05-17 13:49:15 · 855 阅读 · 0 评论 -
Discrepancy Matters: Learning from Inconsistent Decoder Features for Consistent Semi-supervised 论文
医学图像的精确分割是计算机辅助诊断的关键任务[1]。在大规模数据集上训练的深度学习模型最近在这一任务上显示出了很好的性能[2],[3]。然而,收集医学图像数据集不可避免地需要数据注释的专业知识,这是耗时和劳动密集型的,特别是对于体积数据。考虑到未标记数据相对容易从临床现场收集,半监督学习(semi-supervised learning, SSL)[4],[5]因其能够提高模型泛化的能力而越来越受到研究的关注利用大量未标记数据来增强有限的标记数据。原创 2024-05-16 11:53:09 · 627 阅读 · 0 评论 -
Pseudo Label-Guided Data Fusion and OutputConsistency for Semi-Supervised Medical Image 阅读
分割是医学图像处理与分析领域的一项基础任务[1]。临床医学中准确的图像分割为临床医生提供有价值的辅助信息,促进快速、准确、高效的诊断决策[2]。然而,手动标注感兴趣的区域非常耗时,并且依赖于医生的临床专业知识,导致大量的工作量和潜在的错误[3]。随着深度学习的快速发展,卷积神经网络(CNN)及其变体在计算机视觉任务中展示了强大的图像处理能力。全卷积网络[4]和U-Net[5]的引入极大地推动了自动图像分割[6]的发展。在此基础上,出现了许多进一步提高分割算法性能的研究[7][8][9]。原创 2024-04-26 17:28:22 · 928 阅读 · 1 评论 -
RCPS: Rectified Contrastive Pseudo Supervision for Semi-Supervised Medical Image Segmentation 论文阅读
医学图像中解剖结构或病变的准确、自动分割在许多领域都是非常需要的临床应用,包括影像引导介入、放射治疗、计算机辅助诊断等[1]。深度学习的快速发展导致了许多用于医学图像定量分析的图像分割方法的出现。然而,这些方法通常遵循完全监督的方式,这需要大量注释良好的数据才能达到令人满意的性能。同时,医学图像的手工注释成本高且费力,特别是对于CT和MRI扫描等3D图像。因此,开发能够减少对大量训练数据集需求的自动分割方法至关重要。原创 2024-04-13 20:05:10 · 1104 阅读 · 1 评论 -
VoCo: A Simple-yet-Effective Volume Contrastive Learning Framework for 3D Medical Image Analysis 阅读
深度学习在三维医学图像分析方面取得了突出的成就[52,21,39,33],但由于所需专家注释的昂贵成本而受到严重阻碍[49,23]。为了解决这个问题,自监督学习(self - supervised Learning, SSL)因其在没有注释的情况下学习表征的能力而受到了极大的关注[10,11,6,28,20]是三维医学图像分析中重要的高效标签解决方案[69,50,32,34,36]。原创 2024-04-11 01:28:29 · 779 阅读 · 1 评论 -
MixMAE(MixMIM):用于分层视觉变压器有效预训练的混合和掩码自编码器 论文阅读
以自我监督的方式利用未标记的视觉数据来学习表征是有趣但具有挑战性的。继BERT[14]在自然语言处理中,预训练MIM在学习各种下游视觉任务的视觉表示方面取得了巨大成功[4,21,44,50,51],包括图像分类[13]、目标检测[31]、语义分割[56]、视频分类[20]和运动控制[50]。原创 2024-03-24 19:16:00 · 800 阅读 · 0 评论 -
MIC: Masked Image Consistency for Context-Enhanced Domain Adaptation 阅读笔记
在无监督域自适应(UDA)中,在源数据(如合成)上训练的模型在不访问目标注释的情况下适应目标数据(如现实世界)。大多数以前的UDA方法都难以处理在目标域上具有相似视觉外观的类,因为没有可用于学习轻微外观差异的基础真理。为了解决这个问题,我们提出了一个掩蔽图像一致性(MIC)模块,通过学习目标域的空间上下文关系作为鲁棒视觉识别的额外线索来增强UDA。MIC增强了掩膜目标图像的预测之间的一致性,其中随机补丁被保留,而伪标签是由指数移动平均教师基于完整图像生成的。原创 2024-03-19 20:33:57 · 815 阅读 · 0 评论 -
Towards Generic Semi-Supervised Framework forVolumetric Medical Image Segmentation 代码详解
代码: xmed-lab/GenericSSL: NeurIPS 2023: Towards Generic Semi-Supervised Framework for Volumetric Medical Image Segmentation (github.com)数据处理部分代码,仅分析LA与Synapse数据集:code/data/StrongAug.py 数据增强原创 2024-03-19 19:13:52 · 236 阅读 · 0 评论 -
扩散模型在语义分割任务中的优越性
扩散模型架构可以灵活地适应不同的任务需求,例如,可以通过调整反向扩散步骤的数量、引入引导信号或优化采样策略来提升语义分割的效果。- 扩散模型能够在没有明确监督信号的情况下,从随机噪声中逐渐重构出清晰的图像结构,这使得其有可能应用于半监督或无监督的语义分割场景,减少对大量标记数据的依赖。- 研究表明,预训练的扩散模型即使在标注数据稀少的情况下也能取得较好的性能,这意味着它们在面对有限标签资源的场景下具有更好的泛化能力和标签利用效率。原创 2024-03-05 14:07:27 · 599 阅读 · 0 评论 -
Towards Generic Semi-Supervised Framework forVolumetric Medical Image Segmentation 论文阅读
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)技术来训练具有有原创 2024-03-03 20:06:19 · 1047 阅读 · 0 评论 -
MedSegDiff阅读笔记
为了实现自适应区域注意,将当前步骤的分割图集成到每一步的图像先验编码中。具体实现是在特征层面上以多尺度的方式将当前步骤的分割掩模与先验图像进行融合。为了消除此过程中损坏的给定掩模中的高频噪声,提出特征频率解析器(FF-Parser)来过滤傅立叶空间中的特征。它的作用是约束xt特征中与噪声相关的成分,可被视为频率滤波器的可学习版本,它全局调整特定频率的分量。了MedSegDiff,即眼底图像的视杯分割、MRI图像的脑肿瘤分割和超声图像的甲状腺结节分割。另一方面,当前步骤的分割图包含增强的目标区域,但不准确。原创 2024-03-03 16:48:19 · 419 阅读 · 0 评论 -
MedSegDiff: Medical Image Segmentation withDiffusion Probabilistic Model 论文阅读
最近的许多研究还发现,它在许多其他视觉任务中也很有用,比如图像去模糊、超分辨率和异常检测。受DPM成功的启发,我们提出了第一个基于DPM的一般医学图像分割模型,我们将其命名为MedSegDiff。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,该编码为每个采样步建立状态自适应条件。我们在三种不同图像模式的医学分割任务上验证了MedSegDiff,即眼底图像的视杯分割、MRI图像的脑肿瘤分割和超声图像的甲状腺结节分割。原创 2024-02-23 10:32:12 · 476 阅读 · 0 评论