86、医学图像分割：创新方法与卓越成果

医学图像分割：创新方法与卓越成果

在医学影像领域，图像分割技术对于疾病的诊断和治疗起着至关重要的作用。本文将介绍两种不同的医学图像分割方法，一种是用于 ICE 分割的实用编辑方法，另一种是基于跨域表示的缺血性中风分割方法。

ICE 分割的实用编辑方法

评估指标与基线模型

在 ICE 分割中，使用编辑评估指标 D 来评估不同方法的性能。为了更好地解释结果，报告了总体误差、用户输入附近的误差以及远离用户输入的误差。通过将高斯热图 A 阈值设置为 0.5 来定义近区域和远区域。

评估的基线模型包括：
1. No Editing ：将初始分割 yinit 用作最终分割 ˆy，这种情况下的总体误差是从 CAS 轮廓到 yinit 的距离，作为误差的上限。
2. CE Loss ：使用标准 CE 分割损失训练的编辑模型。
3. Dice Loss ：使用 Dice 分割损失训练的编辑模型。
4. InterCNN ：对于每个训练样本，基于预测的模拟用户编辑与之前的编辑累积，并重新输入模型进行 10 次迭代，使用 CE 损失训练。

Method	CV - Overall ↓	CV - Near ↓	CV - Far ↓	Test - Overall ↓	Test - N