基于深度学习的医学图像分割＜十二＞

Demon果

于 2021-12-30 19:50:41 发布

阅读量1.8k

点赞数

CC 4.0 BY-SA版权

文章标签：深度学习计算机视觉图像处理

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/demons2/article/details/122237150

本文介绍了一种创新的 MICCAI2021 方法，利用多任务学习框架融合语义分割、超分辨率技术和自监督指导，实现在低分辨率输入下进行高精度的三维医学图像分割，Task-Fusion模块揭示了分割与超分的内在联系，且测试阶段无需额外计算成本。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Patch-Free 3D Medical Image Segmentation Driven by Super-Resolution Technique and Self-Supervised Guidance

MICCAI 2021
原文链接

提出一种Patch Free三维医学图像分割方法，在低分辨率输入的情况下实现高分辨率分割。
1.多任务学习框架：语义分割＋超分辨率（从低分辨率输入中恢复高分辨率细节）＋自监督指导（使用原始高分辨image patch作为指导图像，保留高频信息）
2.引入Task-Fusion模块，发掘分割和超分辨率的内在联系。
（辅助任务）超分辨率和Task-Fusion模块只在训练阶段使用，在测试阶段，只使用Main Segmentation network，没有额外的计算开销。

网络结构

在这里插入图片描述

损失函数

在这里插入图片描述

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。