基于深度学习的医学图像分割＜十四＞UDC-Net

最新推荐文章于 2023-08-25 17:18:57 发布
原创 最新推荐文章于 2023-08-25 17:18:57 发布 · 2.5k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #人工智能

本文介绍一种新的半监督学习网络UDC-Net，旨在解决COVID-19 CT图像中病变分割面临的注释数据有限问题。该网络通过不确定性量化增强模型的可靠性，并采用双一致性损失确保未标记数据的一致性。
部署运行你感兴趣的模型镜像

Dual-Consistency Semi-supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images

原文链接

本文提出了一种不确定性引导的双一致性半监督学习网络UDC-Net从CT中分割COVID-19病变，解决注释有限的问题。
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
其中 L S L_{S} LS​是由骰子损失和交叉熵损失组成的监督损失, L U F L L_{UFL} LUFL​是解码器之间的交叉一致性损失：
在这里插入图片描述在这里插入图片描述

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

Demon果
关注
具有不确定性感知注意机制的肺结节分割和不确定区域预测| 文献速递-深度学习结合医疗影像疾病诊断与病灶分割
weixin_38594676的博客
06-13 1328
在UAAM之后，我们进一步设计了一个不确定性引导的多置信度分割网络（UGMCS-Net），其中包含三个模块：一个特征提取模块，捕获肺结节的通用特征，一个不确定性感知模块，产生注释的并集、交集和注释集的三个特征，以及一个交集-并集约束模块，使用三个特征之间的距离来平衡最终分割和MCM的预测。实验结果表明，我们的方法可以显著改善对使用传统方法难以分割的结节的分割性能。除了传统的验证方法外，我们提出了在LIDC IDRI上进行的复杂结节验证，该验证测试UGMCS-Net在U-Net难以分割的肺结节上的分割性能。
论文阅读：FixMatch：simplifying-semi-supervised-learning-with-consistency-and-confidence
qq_44317766的博客
12-20 1761
重点总结： 主要结合了伪标签和一致正则化（两种数据增强的方式实现）方法 利用更少的带标签数据，实现了更高的准确度。 下面具体说一下关于FixMatch具体实施细节： 先来介绍一下本篇论文中数据增强。数据增强的主要思路：在未标记的图像上进行弱增强从而生成伪标签，同时也在未标记的图像上进行强增强进行预测。具体使用到的方法的解释如下： 1.弱增强：包括对图像的翻转和平移两种策略。 2.强增强：主要应用RandAugment或CTAugment，然后应用CutOut增强 CutOut方法： 这种增强的方式
基于深度学习的医学图像分割（十）TransUnet
demons2的博客
12-21 2793
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation 原文链接 CVPR2021 结合Transformer和UNet，用于医学图像分割。
【医学图像】图像分割系列.3 （uncertainty）
m0_61899108的博客
05-30 3559
​ 介绍几篇使用不确定性引导的医学图像分割论文：UA-MT（MICCAI2019），SSL4MIS（MICCAI2021），UG-MCL（AIIM2022）. ​
【论文阅读】Mutual consistency learning for semi-supervised medical image segmentation（MedIA 2022）
moonlightttt的博客
08-30 863
【论文阅读】Mutual consistency learning for semi-supervised medical image segmentation（MedIA 2022）
论文笔记：TMI2021 Adaptive Hierarchical Dual Consistency for Semi-Supervised Left Atrium Segmentationon
Blair_2的博客
03-08 1098
1.Introduction： Motivation：adaptive hierarchical dual consistency overcomes the difference of data distribution and sample mismatch in different domains for the cross-domain semi-supervised segmentation。 (1)跨域数据分布的差异。使用生成模型、低密度分离和基于图的方法的半监督学习可以工作，但依赖于某些模
/* * ifado.dtsi- Sigmastar * * Copyright (c) [2019~2020] SigmaStar Technology. * * * This software is licensed under the terms of the GNU General Public * License version 2, as published by the Free Software Foundation, and * may be copied, distributed, and modified under those terms. * * This program is distributed in the hope that it will be useful, * but WITHOUT ANY WARRANTY; without even the implied warranty of * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the * GNU General Public License version 2 for more details. * */ #include <generated/autoconf.h> #include "../../../include/configs/ifado.h" #include "../../../drivers/sstar/include/ifado/gpio.h" /* retain smf for multicore wakening */ /memreserve/ 0x20000000 0x00002000; / { cpus { #address-cells = <1>; #size-cells = <0>; cpu@0 { device_type = "cpu"; compatible = "arm,cortex-a7"; clock-frequency = <1200000000>; //clocks = <&CLK_cpupll_clk>; reg = <0x0>; }; }; aliases { console = &uart0; serial0 = &uart0; }; #ifdef CONFIG_OPTEE firmware { optee { compatible = "linaro,optee-tz"; method = "smc"; }; }; #endif soc { compatible = "simple-bus"; #address-cells = <1>; #size-cells = <1>; dma-ranges = <0x0 CONFIG_SYS_SDRAM_BASE CONFIG_UBOOT_RAM_SIZE>; ranges; clks: clocks{ #address-cells = <1>; #size-cells = <1>; ranges; }; watchdog: watchdog { compatible = "sstar,wdt"; reg = <0x1F006000 0x40>; status = "okay"; }; uart0: uart@1F221000 { compatible = "sstar,uart"; reg = <0x1F221000 0x100>; status = "okay"; }; gpio: gpio { compatible = "sstar,gpio"; status = "okay"; }; adclp: adclp { compatible = "sstar,adclp"; reg = <0x1F002800 0x200>; chan-num = <4>; ref-voltage = <1800>; status = "okay"; }; pwm0: pwm@0x1F003400{ compatible = "sstar,pwm"; reg = <0x1F003400 0x37>; channel = <0>; clock-freq = <12000000>; status = "okay"; }; pwm1: pwm@0x1F003480 { compatible = "sstar,pwm"; reg = <0x1F003480 0x37>; channel = <1>; clock-freq = <12000000>; status = "okay"; }; pwm2: pwm@0x1F003500 { compatible = "sstar,pwm"; reg = <0x1F003500 0x37>; channel = <2>; clock-freq = <12000000>; status = "okay"; }; pwm3: pwm@0x1F003580 { compatible = "sstar,pwm"; reg = <0x1F003580 0x37>; channel = <3>; clock-freq = <12000000>; status = "okay"; }; pwm4: pwm@0x1F003600 { compatible = "sstar,pwm"; reg = <0x1F003600 0x37>; channel = <4>; clock-freq = <12000000>; status = "okay"; }; pwm5: pwm@0x1F003680 { compatible = "sstar,pwm"; reg = <0x1F003680 0x37>; channel = <5>; clock-freq = <12000000>; status = "okay"; }; pwm6: pwm@0x1F003700 { compatible = "sstar,pwm"; reg = <0x1F003700 0x37>; channel = <6>; clock-freq = <12000000>; status = "okay"; }; pwm7: pwm@0x1F003780 { compatible = "sstar,pwm"; reg = <0x1F003780 0x37>; channel = <7>; clock-freq = <12000000>; status = "okay"; }; pwm8: pwm@0x1F003800 { compatible = "sstar,pwm"; reg = <0x1F003800 0x37>; channel = <8>; clock-freq = <12000000>; status = "okay"; }; pwm9: pwm@0x1F003880 { compatible = "sstar,pwm"; reg = <0x1F003880 0x37>; channel = <9>; clock-freq = <12000000>; status = "okay"; }; pwm10: pwm@0x1F003900 { compatible = "sstar,pwm"; reg = <0x1F003900 0x37>; channel = <10>; clock-freq = <12000000>; status = "okay"; }; msb250x_udc_p0: sstar-udc-p0@1f284a00 { compatible = "sstar,msb250x-udc"; reg = <0x1f284000 0x200>, <0x1f284200 0x200>, <0x1f284600 0x200>, <0x1f284a00 0x200>, <0x1f285200 0x200>; reg-names = "upll", "utmi", "usb0", "otg", "extra_utmi_power"; status = "okay"; }; sstar_ehci_p0: sstar-ehci-p0@1f284800 { compatible = "sstar,ehci"; reg = <0x1f284000 0x200>, <0x1f284200 0x200>, <0x1f284400 0x200>, <0x1f284600 0x200>, <0x1f284800 0x200>, <0x1f285200 0x200>; reg-names = "upll", "utmi", "bc", "usb0", "ehc", "extra_utmi_power"; status = "okay"; }; sstar_mmc0: sstar_mmc0 { compatible = "sstar-mmc"; bus-width = <4>; max-frequency = <48000000>; cap-mmc-highspeed = <1>; ip-order = <0>; pad-order = <0>; pwr-on-delay = <10>; pwr-off-delay = <50>; fake-cdz = <0>; rev-cdz = <0>; pwr-pad = <PAD_FUART_RTS>; cdz-pad = <PAD_PM_SD_CDZ>; clk-driving = <1>; cmd-driving = <1>; data-driving = <1>; en-clk-phase = <0>; rx-clk-phase = <0>; tx-clk-phase = <0>; status = "okay"; }; sstar_mmc1: sstar_mmc1 { compatible = "sstar-mmc"; bus-width = <8>; max-frequency = <48000000>; cap-mmc-highspeed = <1>; ip-order = <1>; pad-order = <0>; pwr-on-delay = <10>; pwr-off-delay = <50>; fake-cdz = <0>; rev-cdz = <0>; pwr-pad = <PAD_PM_GPIO9>; cdz-pad = <PAD_SD1_IO6>; clk-driving = <1>; cmd-driving = <1>; data-driving = <1>; en-clk-phase = <0>; rx-clk-phase = <0>; tx-clk-phase = <0>; non-removable = <1>; status = "okay"; }; usbpll: usb-pll { compatible = "sstar,generic-usbpll"; reg = <0x1f283c00 0x200>; #clock-cells = <0>; status = "okay"; }; u3phy_utmi: utmi@1f286e00 { compatible = "sstar,generic-utmi"; reg = <0x1f286e00 0x200>; clocks = <&usbpll>; sstar,tx-swing-and-de-emphasis = <0x3f>, <0x1a>, <0x07>; sstar,only-for-dwc3; #phy-cells = <0>; status = "okay"; }; u3phy_pipe: pipe@1f2a5200 { compatible = "sstar,generic-pipe"; reg = <0x1f2a5200 0x800>; //clocks = <&CLK_ssusb_phy_108>, <&CLK_ssusb_phy_432>; sstar,synthesiszer-clk = <0x001ba5e3>; sstar,tx-swing-and-de-emphasis = <0x3f>, <0x1a>, <0x07>; #phy-cells = <0>; status = "okay"; }; i2c0: i2c0@1f223000 { compatible = "sstar,i2c"; reg = <0x1F223000 0x200>; clock-frequency = <200000>; group = <0>; //if u want set tSU/tHD, do not set 0, tSU = (t-su-* / i2c-srcclk)S, tHD = (t-hd-* / i2c-srcclk)S t-su-sta = <0>; t-hd-sta = <0>; t-su-sto = <0>; t-hd-sto = <0>; //1->open drain; 2->open drain + one push; 3->open drain + one push + clock push; output-mode = <2>; status = "okay"; }; i2c1: i2c1@1f223200 { compatible = "sstar,i2c"; reg = <0x1F223200 0x200>; clock-frequency = <200000>; //dma-enable; group = <1>; t-su-sta = <0>; t-hd-sta = <0>; t-su-sto = <0>; t-hd-sto = <0>; output-mode = <2>; status = "okay"; }; i2c2: i2c2@1f222E00 { compatible = "sstar,i2c"; reg = <0x1F222E00 0x200>; clock-frequency = <200000>; //dma-enable; group = <2>; t-su-sta = <0>; t-hd-sta = <0>; t-su-sto = <0>; t-hd-sto = <0>; output-mode = <2>; status = "okay"; }; uart1: uart1@1F221200 { compatible = "sstar,uart"; reg = <0x1F221200 0x200>; status = "okay"; }; fuart: fuart@1F220400 { compatible = "sstar,uart"; reg = <0x1F220400 0x200>; status = "disabled"; }; uart2: uart2@1F221400 { compatible = "sstar,uart"; reg = <0x1F221400 0x200>; status = "okay"; }; spi0: spi0@1F222000 { compatible = "sstar,mspi"; reg = <0x1F222000 0x200>; mspi-group = <0>; use-dma = <0>; cs-num = <2>; //cs-ext = <PAD_UNKNOWN>; //4to3-mode; //clk-out-mode = <27000000>; status = "okay"; }; fsp_qspi0: fsp_qspi@1F002C00 { compatible = "sstar,fsp-qspi"; reg = <0x1F002C00 0x200>, <0x1F002E00 0x200>; cs-num = <2>; engine = <0>; dma = <1>; status = "okay"; }; }; }; &clks { #address-cells = <1>; #size-cells = <1>; };
最新发布
09-18
<think>好的，我现在需要分析用户提供的设备树源文件（ifado.dtsi），并根据之前的对话历史来生成相应的回答。用户之前询问了关于I2C配置、MIPI RX与I2C的异同，现在提供了设备树文件，可能希望了解如何配置或修改...
胜为产品驱，UDC-2023包含串口UDC-20XX系列，PIC-系列
12-09
在标题和描述中提到了几个关键的产品系列，包括UDC-2023、UDC-20XX系列以及PIC-系列。下面将详细阐述这些知识点： 1. **UDC-20XX系列**：这是一个通用串行接口（Serial Port）的设备系列，UDC代表通用串行数据控制...
胜为UDC-324,UDC-325蓝牙驱动
04-10
胜为UDC-324和UDC-325是两种特定的蓝牙适配器，主要用于电脑设备上实现无线连接功能。驱动程序是这些硬件设备正常工作的关键，因为它们提供了一个中间层，使得操作系统（如Windows 10）能够理解和控制硬件。在这个...
胜为蓝牙适配器驱动 UDC-324 WIN7版本
12-16
胜为蓝牙适配器驱动 UDC-324 是专为Windows 7操作系统设计的一款重要软件组件，它使得用户能够顺利地在计算机上使用胜为品牌的UDC-324蓝牙适配器进行无线通信。驱动程序是硬件设备与操作系统之间沟通的桥梁，没有...
胜为UDC-324,UDC-325蓝牙驱动(win7,32位）
04-10
胜为UDC-324和UDC-325是两种常见的蓝牙适配器，它们主要用于将没有内置蓝牙功能的计算机设备连接到蓝牙设备，如无线耳机、鼠标、键盘、智能手机和平板电脑等。这款驱动程序是针对Windows 7操作系统，32位版本设计的...
reliability-challenges-uncertainty:评估医学图像分割的不确定性估计的可靠性和挑战
05-04
评估医学图像分割的不确定性估计的可靠性和挑战 这是MICCAI 2019贡献的代码： “评估医学图像分割的不确定性估计的可靠性和挑战”（Alain Jungo和Mauricio Reyes） 安装 安装所需的Python软件包（我们使用Python版本3.6）： pip install -r requirements.txt 获取BraTS 2018和ISIC 2017数据集 分步指导 在./rechun/directories.py数据集并运行训练之前，请./rechun/directories.py文件中的数据集路径。 运行准备脚本（ ./scripts ） 运行训练脚本（ ./bin-dl/train* ）。 （对于辅助功能。这需要在./config/train_*_auxiliary_feat.yaml配置文件中设置others / model_dir ） 添加到测试配
深度学习（三十二）半监督阶梯网络学习笔记
hjimce的专栏
03-13 2万+
这几年深度学习声名鹊起，一个又一个AI领域被深度学习攻破，然而现在大部分深度学习所采用的算法都是有监督学习的方法，需要大量的标注数据，需要耗费大量的人力物力。因此如何充分利用大量的无标签数据资源，必将成为未来深度学习领域的研究焦点。 本篇博文主要讲解2015年 NIPS的一篇牛逼paper：《Semi-Supervised Learning with Ladder Networks》，号称2015年深度学习领域"五大佳文"之一。这篇文献采用半监督的方法，充分利用了无标签数据+少量有标签数据，相比于以往的方法
CCT（cross-consistency train）里面的交叉一致性&一致性以及伪标签和一致性正则化的解释
weixin_62912897的博客
08-25 1763
一致性正则化（Consistency Regularization）是一种在半监督学习中使用的技术，旨在通过鼓励模型在不同输入视图下产生一致的预测，以提高模型的性能和泛化能力。在半监督学习中，除了有标签数据外，还有大量的无标签数据可供使用。一致性正则化利用这些无标签数据来帮助模型学习更鲁棒和一致的表示。一致性正则化的基本思想是：对于给定的输入样本，在不同的变换或扰动下，模型的预测应该保持一致。
【论文笔记】D2A U-Net: Automatic segmentation of COVID-19 CT slices based on dual attention and hybrid di
m0_58678659的博客
05-14 941
提出了一种基于双注意策略和混合扩张卷积的新型扩张双注意 U-Net，即D2A U-Net，用于 CT 切片2019 冠状病毒疾病病变的分割。在我们的 D2A U-Net中，由两个注意模块组成的双注意策略被用于细化特征图，并缩小不同层次特征图之间的语义差距。此外，在模型解码器中引入了混合扩张卷积，以获得更大的接收场，从而优化了解码过程。
ECE、UDC、EUDC、NEDC、FTP75工况的解释和区别
热门推荐
小凡的专栏
07-28 3万+
http://www.jjlog.com/ece-udc-eudc-nedc-ftp75.html ECE：Economic Commission for Europe，联合国欧洲经济委员会汽车法规 UDC：Urban Driving Cycle，城市循环工况 EUDC：Extra Urban Driving Cycle，市郊循环工况 NEDC：New Europe Drivi
【论文笔记】Dense GAN and multi-layer attention based lesion segmentation method for COVID-19 CT images
m0_58678659的博客
05-16 648
本文提出了一种改进的 Dense-GAN 扩展数据集，并结合 U-Net 的2019冠状病毒疾病肺 CT 图像分割，提出了一种多层注意机制方法。实验结果表明，与其他图像分割方法相比，本文提出的分割方法提高了 2019 冠状病毒疾病肺部医学 CT 图像的分割精度。
浅析 Semi-Supervised Learning 中的 consistency 问题
Jingyang.Zhang的博客
06-17 6404
浅析 Semi-Supervised Learning 中的 Consistency 问题传统半监督学习简述：现有半监督学习的问题 —— Individual Consistency实现方法总结 传统半监督学习简述： 区别于全监督学习，半监督学习针对训练集标记不完整的情况：仅仅部分数据具有标签，然而大量数据是没有标签的。因此，目前半监督学习的关键问题在于如何充分地挖掘没有标签数据的价值。主流的半监督学习方法有下面几种： Self-Training 方法。这是一种很直观的思路：既然大量数据是没有标签的，那么
论文阅读——Semantic-related image style transfer with dual-consistency loss
probie的博客
03-03 276
摘要： 论文框架图：
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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