卜萝a-CSDN博客

原创 Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation

因此，为了利用1)具有不准确伪标签的卷和2)其余未标记的卷，我们提出了一个简单而有效的端到端框架，即DenseSparse Co-training (DeSCO)，它由相同结构的两个分割模型组成。3.密集-稀疏协同训练范例，从密集伪标签和稀疏标签中学习，同时利用未标记的卷，通过交叉监督达成共识来降低噪声。，对更确定的伪标签体素(即离配准源片较近的体素)有学习偏好，并通过交叉监督挖掘未标记的体。1.提出了一种新的标注方式，对一个标注好的三维体只标注两个正交切片，大大减少了标注负担。随后，通过引入未标记卷，

2023-07-30 11:18:41 236 1

原创 DR-GAN: Conditional Generative AdversarialNetwork for Fine-Grained Lesion Synthesis onDiabetic Ret

最有效的方法是设计具有相同网络结构的多尺度鉴别器。第一个转置的Conv层的输入是Gl的最后一个Conv层的特征映射和Gm的最后一个转置的Conv层的特征映射的元素求和。生成的样本不仅具有良好的保真度和多样性，而且我们还发现合成的图像可以用于数据增强，以训练更好的DR分级和病变分割模型。5)增加了更多可靠的评价实验和结果，包括人的评价，合成保真度的Frechet inception distance (FID)和Sliced wasserstein distance (SWD)，以及DR分级的每类真阳性率。

2023-07-30 10:23:12 153 1

原创 CoTr: Efficiently Bridging CNN andTransformer for 3D Medical Image Segmentation

首先，它需要非常长的训练时间来集中注意力，最初是均匀地投射到每个像素上，在突出的位置上，特别是在3D场景中。其次，普通的Transformer[19]由于计算复杂度高，很难处理多比例尺和高分辨率的特征图，而多比例尺和高分辨率的特征图在图像分割中起着至关重要的作用。在本文中，我们提出了一个新的框架，有效地连接卷积神经网络和变压器(CoTr)，以实现精确的三维医学图像分割。因此，DeTrans的计算和空间复杂性已经大大降低，使其能够处理多尺度和高分辨率的特征图，这通常是图像分割的最重要的。

2022-11-17 16:51:22 773 1

原创 68——CaraNet: Context Axial Reverse Attention Network for Segmentation of Small Medical Objects

另外，我们之前的研究[33,34]提出了一种轻量级的Channel-wise Feature Pyramid (CFP)模块，并成功地将其应用于自然图像和医学图像分割。3)我们的实验表明，CaraNet优于大多数当前的模型(例如MICCAI’20的PraNet)，并在息肉的分割性能上，在整体和小对象上都有很大的进步。为了获得更准确的特征信息，我们设计了轴向反向注意(A-RA)模块来分析定位信息和多尺度特征。(a) CFP模块，(b)正则卷积的FP信道，(c)非对称卷积的FP信道。...

2022-08-17 14:26:47 1157

原创 67——Stepwise Feature Fusion: Local Guides Global

从图1(a)(红色边框图像)中融合结构的特征图可以看出，SFA有效地将局部特征融合到高维特征中，并引导特征流进入关键区域。在该图中，蓝色表示未强调的特征，绿色表示强调的特征，红色表示融合的特征。2)提出了一种适用于变压器特征金字塔的新的PLD译码器，该译码器可以平滑和有效地强调变压器中的局部特征，提高神经网络对细节信息的处理能力;由于来自不同深度的特征流的特征类型不同，我们在特征金字塔中不为不同层次的特征流共享卷积权值。从图1(a)的特征图可以看出，LE可以有效地清除杂乱的噪声，强调关键的局部特征。...

2022-08-17 11:06:14 1696

原创 65——基于岩渣与参数信息融合的 TBM 掘进围岩识别预警方法研究

A(岩体完整)、B(岩体较完整)、C(岩体较破碎)类对应的岩渣图像分类结果的准确率分别为 96.3%、94%、86.7%，方法准确性较高，能够有效实现 TBM。TBM 法修建铁路、水利水电等隧道工程时，经常出现不良地质使 TBM 被卡被困的问题，严重影响工程进度、增加工程造价，更甚者导致整个工程的失败以及人员伤亡。目前传统图像分割研究已比较成熟，提出的分割算法很多，如阈值分割法、聚类分割法、边缘检测法和区域生长法等等。根据岩渣图像特点选择的图像预处理操作包括：灰度变换、双边滤波和形态学重构。...

2022-08-10 21:49:42 281

原创 66——基于三维重建与 Unet 神经网络的隧道掌子面围岩快速分级技术

由于识别效果有限,属于同一节理的节理线被分割成多段,影响后续分析,因此还需要对同属于一条节理的多段迹线进行连接。为了获得合理尺寸的神经网络训练图,将采集的图片裁剪成大量小尺寸的图片,剔除不含节理线的小尺寸图片,剩余的作为训练图片;同时为了增强数据的多样性,提高训练结果的泛化性,对训练原图和对应的训练标记图进行扭曲、旋转、翻转操作。利用神经网络已经对节理区域进行了分割识别,而对节理进行分析需要的是节理单像素组成的线,需要对输出结果进一步处理得到单像素的节理线,这个过程称为节理骨架化。.....

2022-08-10 15:34:27 666

原创 63——Joint Segment-level and Pixel-wise Losses for DeepLearning based Retinal V essel Segmentation

Yan Z, Yang X, Cheng K T. Joint segment-level and pixel-wise losses for deep learning based retinal vessel segmentation[J]. IEEE Transactions on Biomedical Engineering, 2018, 65(9): 1912-1923.基于深度学习的视网膜血管分割方法通常基于像素级损失进行训练，在预测概率图和相应的人工标注分割之间的像素-像素匹配中，对所有血管像

2022-06-25 17:31:19 636

原创 62——A hybrid deep segmentation network for fundus vessels viadeep-learning framework

Yang L, Wang H, Zeng Q, et al. A hybrid deep segmentation network for fundus vessels via deep-learning framework[J]. Neurocomputing, 2021, 448: 168-178.然而，由于粗血管和细血管比例不平衡，现有的分割方法在眼底图像微血管提取任务中存在不足。针对这一问题，本文提出了一种新的基于多任务分割网络和融合网络的眼底血管深度图像混合分割方法。该方法利用多任务分割网络对眼底

2022-06-25 16:33:28 702

原创 61——SA-UNet: Spatial Attention U-Net for Retinal VesselSegmentation

论文信息：Changlu Guo;Marton Szemenyei;Yugen Yi;Wenle Wang;Buer Chen;Changqi Fan; (2021). SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation . 2020 25th International Conference on Pattern Recognition (ICPR), (), –. doi:10.1109/icpr48806.2021.9413

2022-06-11 18:45:33 965

原创 60——Attention Guided Network for Retinal Image Segmentation

论文信息：Attention Guided Network for Retinal Image Segmentation | Papers With Code提出的AG-Net体系结构。我们的AG-Net基于M-Net[3]，这是一个多尺度多标签分割网络。块AG代表我们的注意引导过滤器，操作符C是串联。在我们的AG-Net中，采用注意引导滤波器作为结构敏感的跳接层，以取代跳接层和上采样层，实现更好的信息融合。注意引导过滤器的插图。注意引导滤波器首先通过注意块产生注意图T，然后用注意图T计算Al、Bl、调整

2022-06-06 21:07:52 224

原创 59——EXPLORING THE LIMITS OF DATA AUGMENTATION FORRETINAL VESSEL SEGMENTATION

论文信息：Exploring The Limits Of Data Augmentation For Retinal Vessel Segmentation | Papers With Code在我们的研究中，我们使用U-Net架构，我们依靠大量的数据增强来获得更好的性能。数据扩充的成功与否取决于能否成功地解决输入图像的问题。通过分析输入图像并进行相应的增强，我们表明U-Net模型的性能可以显著提高。报告的结果使用了最广泛使用的视网膜数据集DRIVE。血管的边缘非常薄，很难分割，输入图像的质量也有问题。此外

2022-06-06 13:07:19 93

原创 57——ROSE: A Retinal OCT -Angiography VesselSegmentation Dataset and New Model

论文信息ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model | Papers With Code创新点：在视网膜图像分析领域，我们首次建立公开可用的视网膜OCTA数据集，对视网膜微血管网络进行精确的手工标注，以促进社区的相关研究。•我们引入了一种新的基于分割的粗到细血管分割网络，用于OCTA中的血管分割，旨在分别检测粗血管和细血管。在我们的方法中，首先使用基于分割的粗分割(SCS)模块生成血管的初步置信度

2022-05-28 21:06:46 386

原创 58——FFA-Net: Feature Fusion Attention Network for Single Image Dehazing

论文信息FFA-Net: Feature Fusion Attention Network for Single Image Dehazing | Papers With Code在本文中，我们提出了一种端到端特征融合注意网络(FFA-Net)来直接恢复无雾图像。FFA-Net架构由三个关键部分组成:1)考虑到不同的信道特征包含完全不同的权重信息，以及不同图像像素上的雾霾分布不均匀，提出了一种新颖的Feature Attention (FA)模块，结合了Channel Attention和Pixel A

2022-05-25 20:57:33 465

原创 56——RSANet: Recurrent Slice-wise AttentionNetwork for Multiple Sclerosis LesionSegmentation

论文信息：RSANet: Recurrent Slice-wise Attention Network for Multiple Sclerosis Lesion Segmentation | Papers With Code

2022-05-25 19:19:24 210

原创 55——SPNet: A novel deep neural network for retinal vessel segmentation basedon shared decoder and p

论文信息：SPNet: A novel deep neural network for retinal vessel segmentation based on shared decoder and pyramid-like loss | Papers With Code由于血管厚度不一致和边界模糊，对毛细血管和视网膜血管边缘的精细分割仍具有挑战性。针对上述问题，本文提出了一种基于共享译码器和类金字塔损失(SPNet)的视网膜血管分割深度神经网络。具体来说，我们引入了一种解码器共享机制来捕获多尺度语义信

2022-05-23 10:49:13 342

weixin_53841792的博客