【小样本图像分割-4】nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation

最新推荐文章于 2024-12-09 19:11:25 发布
最新推荐文章于 2024-12-09 19:11:25 发布
阅读量1k 收藏 31
点赞数 19
分类专栏： 小样本图像分割 文章标签： 人工智能 计算机视觉
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.youkuaiyun.com/ECHOSON/article/details/141399913
版权

【小样本图像分割-4】nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation

image-20240821180027918

这是一个2018年的文章，其中很多医学图像分割领域的专家都知道的论文，虽然不是完全的小样本学习，我这里也还是放在这里做一个简单的笔记。牛逼的是，这个文章后面是发表在nature上的。

文章的地址：[1809.10486] nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation (arxiv.org)

代码的地址：github.com

摘要

nnU-Net 中的nn分别表示no和new，这个网络不能算作是小样本的医学图像分割方法，但是可以作为一种自适应的医学图像分割方法。该方法能够根据数据集的内容自动的修改模型的超参数，让你的unet模型更加适配你的数据集，从而可以得到一个比较sota的模型。这里作者实践出真知，在比赛中提供了10个数据集上都拿到了不错的成绩，并且这个模型中使用的一些tricks在后续的比赛中都可以借鉴。

U-Net于2015年推出。凭借其简单而

最低0.47元/天 解锁文章
nnU-Net：基于U-Net的医学图像分割自适应框架
ChinaSuperLeon的博客
04-05 111
nnU-Net论文阅读笔记
基于深度学习的医学图像分割算法研究——结合MRI/CT图像的肿瘤区域自动分割与三维重建
a_zxswer的博客
03-08 108
该研究可集成到医疗影像存档与通信系统（PACS）中，辅助放射科医生快速定位肿瘤（例如减少胶质瘤评估时间约40%），同时为放疗计划（如剂量分布模拟）提供基础支持。
【小样本图像分割-1】PANet: Few-Shot Image Semantic Segmentation with Prototype Alignment
dejahu的博客
08-13 1833
尽管深度cnn在图像语义分割方面取得了很大的进步，但它们通常需要大量密集标注的图像进行训练，并且难以推广到看不见的对象类别。因此，开发了少量镜头分割，以学习仅从几个注释示例中执行分割。本文从度量学习的角度解决了具有挑战性的少镜头分割问题，并提出了一种新的原型对准网络PANet，以更好地利用支持集的信息。我们的PANet从嵌入空间内的一些支持图像中学习特定于类的原型表示，然后通过将每个像素与学习到的原型进行匹配，对查询图像进行分割。
论文笔记：nnU-Net: Self-adapting Frameworkfor U-Net-Based Medical Image Segmentation
qq_40206371的博客
07-10 2848
U-net 在图像分割中是一个很有用的模型。针对不同的问题，U-net在模型架构、预处理、训练和推导上均有一定的自由度。这些部分对于模型整体表现起到很重要的作用。 这篇论文提出了nnU-net（no-new U-net），这是一个2D & 3D经典U-net基础上， 稳健而又自适应的框架。nnU-net移去了冗余的部分，着重于剩下的对模型表现和泛化能力起作用的部分。 大部分医学图像分割的方法是基于CNN的方法。但是对于不同的问题和不同的数据集，需要特定的模型架构和训练方法。这会使
论文解读- nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation（附实现教程）
热门推荐
Tina姐的博客
05-14 1万+
本篇主要解读论文 “nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation” == nnU-Net：基于U-Net的自适应医学图像分割框架。 实现见本专栏下其他博文。直达链接???? （写了再附上） 点击下载论文 点击进入github code地址 文章目录nnU-Net 是什么，有多厉害Abstract1 Introduction2 Methods2.1 Network architectures2.1.1
医学分割论文:nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
jlch5555的博客
07-30 1055
医学分割论文:nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation Auther: Fabian Isensee, Institution:German Cancer Research Center, Publish year: 2018 论文地址：https://arxiv.org/abs/1809.10486 https://github.com/MIC-DKFZ/nnUNet 目前存在的问题： UNet
[深度学习论文笔记] nnU-Net: Breaking the Spell on Successful Medical Image Segmentation（nnunet）
Slientsake的博客
03-28 3430
[深度学习论文解读] nnU-Net: Breaking the Spell on Successful Medical Image Segmentation （nnU-Net: 破除魔咒，一个成功的医学图象分割技术） Published：2019 论文：https://arxiv.org/pdf/1904.08128v1.pdf 论文：https://arxiv.org/pdf/1809.10486 代码：https://github.com/MIC-DKFZ/nnunet 一、基本介绍 1.1历史背景
nnU-Net：基于U-Net 的医学图像分割的自适应框架
Tartaglia_的博客
12-09 1066
nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
医学图像分割小白如何学习
最新发布
03-21
- *nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation* 2. **实践项目** - 任务示例： 1. 脑肿瘤分割（BraTS数据集） 2. 视网膜血管分割（DRIVE数据集） - 代码库：MONAI...
【论文笔记 医疗影像分割—nnUNet】nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
qq_43527713的博客
11-09 1万+
文章目录1.Abstract 说明：本文是对原版论文和一位大神解读的基础上，加以自己的理解而作，如有错误，欢迎指正。大神的文章链接 1.Abstract '对于深度学习模型来说，当用在一个新的问题上，就需要对可变设置人为设定。对新问题的适应包括精确架构、预训练、训练、推理对个自由度，这些选择对整体性能有很大的影响。 本文提出nnU-Net（no-new-net）????，是一种基于三个模型：2D U-Net, 3D U-Net 和U-Net Cascade（级联的3D U-net，之后会有介绍）上的自适应框
【论文笔记】nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation
1
02-14 524
nnU-Net:基于U-Net的自适应医学图像分割框架 基于U-Net提出了nnU-Net框架，可以自动调整模型的体系结构以适应不同数据集。 作者认为现有的模型在结构方面的调整可能会导致模型在某一些特定的数据集上过拟合，同时非架构的部分在图像分割任务中更重要。在常见的生物医学影像数据集上进行了测试，仅对原始U-Net进行微小调整的nnU-Net均取得了良好的分割性能，超过了很多修改的架构。
nnU-Net: Self-adapting Frameworkfor U-Net-Based Medical Image Segmentation
weixin_41749533的博客
10-07 260
它驻留在一组三个相对简单的U-Net模型上，它们只包含对原始的U-Net [6]的微小修改。在这些步骤中，网络的性能可以获得或分别丢失：预处理（例如重采样和标准化）、训练（例如损失、优化器设置和数据增强）、推理（例如基于补丁的策略和跨测试时间增强和模型的集成）和潜在的后处理（例如，如果适用，强制执行单个连接组件）。就像最初的U-Net一样，我们在编码器中的池化层和解码器中的转置卷积操作之间使用了两个普通的卷积层。阶段1（左）：一个3D U-Net处理下采样的数据，所得到的分割图被上采样到原始分辨率。
《nnU-Net: Self-adapting Framework for U-Net-Based Medical Image Segmentation》2018 未完待续（导师给了别的方向）
sdusgq的博客
01-03 293
这里写目录标题一、Abstract二、Methods 一、Abstract The U-Net was presented in 2015. With its straight-forward and successful architecture it quickly evolved to a commonly used benchmark in medical image segmentation. The adaptation of the U-Net to novel problems, howev
[小样本图像分割]Adaptive Prototype Learning and Allocation for Few-Shot Segmentation
qq_38932073的博客
04-09 3197
自适应原型学习和分配的Few-Shot分割（CVPR2021） 论文地址 开源代码 摘要 Few-Shot分割大多使用原型学习的思想，通常通过对全局对象信息的平均来从支持特征中获得单个原型。然而，使用单个原型来表示所有的信息可能会导致歧义。本文提出了超像素引导聚类(SGC)和引导原型分配(GPA)两个模块，用于多原型的提取和分配。具体来说，SGC是一种无参数、无训练的方法，它通过聚集相似的特征向量来提取更有代表性的原型，而GPA能够选择匹配的原型，提供更准确的指导。通过整合SGC和GPA，我们提出了自适应超
[小样本图像分割]SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes
qq_38932073的博客
04-20 1549
SCNet:通过自我对比的背景原型增强Few-Shot语义分割 论文地址 摘要 大多数先进小样本分割都利用了度量学习框架，该框架通过将每个像素与学习到的前景原型进行匹配来进行分割。然而，只使用前景原型会导致分类偏倚。为了解决这一问题，本文在Few-Shot语义分割中引入了一种互补的自对比任务。我们的新模型能够关联每一个区域上的原型，无论这个区域是属于前景还是背景。为此，我们直接从查询图像中生成自我对比的背景原型，利用该原型构建完整的样本对，从而实现互补和辅助的分割任务，以实现更好的分割模型的训练。 存在的问
基于少样本（小样本）的图像分割
zy的博客
10-01 3096
在少样本学习（尤其是少样本分割）中，和分别承担不同的任务，目的是通过少量标注的样本来实现对新图像的分割。总的来说，负责从少量标注样本中学习类原型，而则利用这些类原型对新的查询图像进行分割。两者的协作使得模型能够在少样本的情况下有效泛化。具体是怎么匹配的？在少样本学习的图像分割任务中，和的匹配过程主要基于（metric learning）思想。
[小样本图像分割]Prior Guided Feature Enrichment Network for Few-Shot Segmentation
qq_38932073的博客
03-20 4684
用于图像分割的先验引导特征增强网络（PFENet） 论文地址 Github开源代码 目前存在的问题： 现有的Few-Shot Segmentation方法普遍存在的问题包括高级特征的误用导致的泛化损失以及查询样本和支持样本之间的空间不一致。 本文贡献： (1)一种无需训练的先验掩模生成方法，不仅保留了模型的泛化能力，而且提高了模型的性能。 (2)特征增强模块，一种使用支持特征（support feature）和先验掩码（prior mask）来自适应增强查询特征（query feature）以克服空间不连续
[小样本图像分割]Few-Shot Semantic Segmentation with Prototype Learning
qq_38932073的博客
04-11 3596
Few-Shot Semantic Segmentation with Prototype Learning（BMVC2018） 本文是后面很多小样本图像分割的框架的基础，也就是使用原型进行密集匹配的思想。 论文地址 摘要 语义分割为每个图像像素分配一个类标签。这种密集的预测问题需要大量的手动注释数据，而这些数据往往不可用。Few-Shot学习的目的是学习一个只有几个带标签样本的新类别。在本文中，我们将Few-Shot语义分割问题从one-way(一类)发展到n-way(n类)。受Few-Shot分类的启发
论文笔记：nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation
qq_40206371的博客
07-10 3345
nature 2019配套论文笔记：nnU-Net: Self-adapting Frameworkfor U-Net-Based Medical Image Segmentation_UQI-LIUWJ的博客-优快云博客 生物医学成像中的语义分割算法能够在许多应用中进行图像分析和量化，设计特定的及解决方法并不容易，并且高度依赖于数据集属性和硬件条件，不具备普适性。 目前的这些图像语义分割方法大多是task-specific，他们的模型设计、参数配置、数据增强方法等都需要很特
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

打赏作者

肆十二

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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