A Noise-Robust Framework for Automatic Segmentation of COVID-19 Pneumonia Lesions From CT Images论文笔记

最新推荐文章于 2023-06-01 17:45:03 发布
最新推荐文章于 2023-06-01 17:45:03 发布
阅读量853 收藏 4
点赞数 2
分类专栏： 医学图像分割 文章标签： 计算机视觉 深度学习
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/z19980827/article/details/112732229
版权
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
摘要由CSDN通过智能技术生成

COPLE-Net论文解读

ABSTRACT

文中首先介绍了一种noise-robust的Dice损失，它是针对分割的Dice损失和对噪声的鲁棒性的平均绝对误差（MAE）损失的概括。健壮的Dice损失和COPLE-Net与自适应自我组装框架相结合进行训练，其中学生模型的指数移动平均值（EMA）用作教师模型，当学生训练损失比较大时，通过抑制学生对EMA的贡献来进行自适应更新。仅当教师的表现优于学生时，学生模型才通过向教师学习来适应模型。

INTRODUCTION

实验结果表明：（1）我们的抗噪Dice损失优于现有的抗噪损失函数；（2）提出的COPLE-Net的性能要高于最新的图像分割网络；（3）我们的框架在从嘈杂的标签中学习COVID-19肺炎病变分割的情况下，自适应自我组装明显优于标准训练过程，并且优于其他噪声鲁棒性训练方法。

在处理嘈杂标签的各种方法中，一些新颖的抗噪损失函数由于不需要特定的网络结构，并且可以轻松地与典型的训练过程结合，因此受到越来越多的关注。

这项工作的贡献是三方面的。首先，为了处理用于训练CNN分割COVID-19肺炎病变的嘈杂注释，提出了一种新颖的鲁棒性Dice损失函数，该函数是MAE损失和Dice损失的组合和泛化，可以有效抵抗噪声标签以及处理Dice损失函数对标签前景-背景不平衡不敏感的问题。其次，我们提出了一种基于CNN自组装的新型抗噪学习框架，其中使用模型的指数移动平均线（EMA，教师）来指导标准模型

最低0.47元/天 解锁文章
zhaoxfan
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
论文研究-Robust Stabilization for a Class of Uncertain Switched NonlinearSystems via Backstepping Recursive Design.pdf
08-20
基于Backstepping的一类不确定非线性切换系统的鲁棒镇定，王春艳，焦晓红，本文研究了一类具有下三角结构的不确定非线性切换系统的鲁棒镇定问题。基于backstepping技术,提出了一种新的系统稳定控制器的设计方��
Time-difference-of-arrival estimation algorithms for cyclostationary signals in impulsive noise
02-09
In this paper, new signal-selective methods for the estimation of time-difference-of-arrival in the presence of interfering signals and non-Gaussian symmetric alpha-stable impulsive noise are ...
【深度学习】卷积神经网络之图像分类｜CNN、AlexNet、VGG、GoogLeNet、ResNet
m0_52427832的博客
10-19 6072
卷积神经网络分为卷积层、池化层、全连接层、softmax层。卷积层：卷积核与输入层中的一个区域相连，计算内积后加上权重。激活函数层：激活函数层包括在卷积层中，将相连的神经元进行激活，通常使用ReLu激活函数max(0,x)。池化层：又称为下采样层，通常包括max pooling和average pooling，不会改变通道数量。全连接层：将特征图拉直，转化为1×1×4096的向量。
【论文笔记】MultiR-Net：一种新的 covid-19 肺部病变区域分割和分类的联合学习网络
m0_58678659的博客
05-16 870
最近，COVID-19 中的深度学习主要分为疾病分类和病灶分割，但很少有工作关注这两个任务之间的特征相关性。 为了解决这些问题，在本研究中，我们提出了 MultiR-Net，这是一种用于组合 COVID-19 分类和病灶分割的 3D 深度学习模型，以实现实时和可解释的 COVID-19 胸部 CT 诊断。准确地说，所提出的网络由两个子网组成：一个用于病变分割的多尺度特征融合类 U-Net 子网和一个用于疾病诊断的分类子网。
机器学习之SVM(Hinge Loss+Kernel Trick)原理推导与解析
热门推荐
KI的博客
07-04 10万+
支持向量机（Support Vector Machine, SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面。 本文借助了李宏毅机器学习笔记，主要是用通俗易懂的语言来推导出hinge loss和kernel trick。......
多分类svm的hinge loss公式推导_如何搭建一个简单的多分类深度神经网络？
weixin_39834281的博客
11-21 413
去年今日此门中，人面桃花相映红。人面不知何处去，桃花依旧笑春风。 --- 崔护《题都城南庄》深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。本篇我们试着通过对神...
句法树结构+hinge loss_相似度论文调研-2
Hekena的博客
10-23 403
我理解的句法依存树主要分析的是句子成分之间的依赖关系，比如“主谓关系”，“定中关系”等等，根据的是词与词之间的依赖关系结构，得到树。需要注意的是，不同论文中可能定义的转移方法是不同的，可能最一开始的栈是空的，或者是存放了虚根的，具体要根据论文而定。我理解的短语依存树更多地是依靠：“句法规则”，比如名词+名词==名词短语这种语法规则，解析形成的树状结构。非常 非常 A AD _ 3 advmod _ _长 长 V VA _ 3 conj _ _是 是 V VC _ 7 conj _ _
论文研究-Robust observer for a class of linear system with matched uncertainty based on LMI.pdf
08-15
基于LMI的一类匹配不确定线性系统的鲁棒观测器设计，陈凤祥，刘玲，本文针对一类状态矩阵和输出矩阵匹配不确定性线性系统提出了一种新的鲁棒状态观测器方案。该方案以传统龙伯格观测器为基础，通过
Robust Head Tracking Based on Multiple Cues Fusion in the Kernel-Bayesian Framework
02-21
This paper presents a robust head tracking algorithm based on multiple cues fusion in a kernel-Bayesian framework. In this algorithm, the object to be tracked is characterized using a spatial-...
EarlyIdentification of Mild Cognitive Impairment Using Incomplete RandomForest-Robust Support Vector Machine and FDG-PET Imaging
02-07
Alzheimer’s disease (AD) is the most ... We propose a semi-supervised learning method based on robust opti-mization for the identification of MCI from [18F]Fluorodeoxyglucose PET scans. We extracted thr
这是基于CNN算法的分类代码
01-04
该算法内容介绍很详细 算法步骤也容易看懂 在此分享给大家
图像处理的中值滤波算法优化与实现
04-23
图像处理的中值滤波算法优化与实现，介绍了图像处理中的中值滤波方法
图像分类算法
12-14
这是09年发表在计算机视觉与模式识别会议（CVPR）上的论文源码，里面包含了图像分类的基本方法，对于图像分类效果非常好
深度学习图像分类实战——pytorch搭建卷积神经网络(AlexNet, LeNet, ResNet50)进行场景图像分类（详细）
m0_53328738的博客
12-19 4476
这个项目名称为“搭建卷积神经网络进行图像分类”，要求针对提供的场景图片数据集进行模型的训练，并对测试集进行场景类别的预测。 这个项目提供了 6700 张场景图像，包括了67种不同的场景。
CNN算法实现图像分类
weixin_46287760的博客
06-01 3115
本文涵盖两个主题：了解CNN模型的基本概念、使用Fashion-MNIST数据集实时实现CNN模型；
图像分类算法之CNN
qq_39025702的博客
07-07 649
基于深度学习的图像分类算法核心思想与算法优化总结（深度学习与图像分析-李松斌）
古月哥欠666的博客
04-23 5657
深度学习-图像分类算法恒等映射残差单元-ResNet多层密集连接-DenseNet特征通道重标定-SENet通道压缩与扩展-SqueezeNet深度可分离卷积-MobileNet二级目录三级目录 恒等映射残差单元-ResNet ResNet 是在 2015年 由何凯明等几位大神提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO数据集中目标检测第一名，图像分割第一名。 残差单元原理 H(x)= F(x)+x 多层密集连接-DenseNet huang等2017年受ResNet启发
经典卷积神经网络(CNN)图像分类算法详解
dan_teng的博客
02-13 8万+
经典卷积分类网络 一点废话：CNN网络主要特点是使用卷积层，这其实是模拟了人的视觉神经，单个神经元只能对某种特定的图像特征产生响应，比如横向或者纵向的边缘，本身是非常简单的，但是这些简单的神经元构成一层，在层数足够多后，就可以获取足够丰富的特征。从机制上讲，卷积神经网络与人的视觉神经还真是像。下面进入正题。 LeNet（1998） 网络基本架构为：conv1 (6) -> pool1 -&am
Hinge Loss
FinnTheHuman的博客
03-28 928
Hinge Loss简介 Hinge Loss是一种目标函数（或者说损失函数）的名称，有的时候又叫做max-margin objective。其最著名的应用是作为SVM的目标函数。 其二分类情况下，公式如下：  l(y)=max(0,1−t⋅y) 其中，y是预测值（-1到1之间），t为目标值（±1）。 其含义为，y的值在-1到1之间就可以了，并不鼓励|y|
automatic gain control and multi-style training for robust small-footprint
最新发布
08-01
自动增益控制（Automatic Gain Control，简称AGC）和多样式训练（Multi-Style Training）对于稳健小体积的有着重要意义。 首先，自动增益控制（AGC）是一种技术，可以自动调整信号的增益，以确保信号在传输过程中...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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