弱监督学习在医疗图像分割中的应用 - WSL4MIS

弱监督学习在医疗图像分割中的应用 - WSL4MIS

WSL4MISScribbles or Points-based weakly-supervised learning for medical image segmentation, a strong baseline, and tutorial for research and application.项目地址:https://gitcode.com/gh_mirrors/ws/WSL4MIS

项目介绍

WSL4MIS(Weakly-supervised learning for medical image segmentation)是一个专注于医疗图像分割的开源项目，源自于我们在MedIA2022和MICCAI2022发表的两项研究——WORD 和 WSL4MIS。如果你在你的研究中使用了这个项目，请引用上述工作。

此外，我们也提供了一个基于PyMIC的重新实现版本WSLDMPLS，以方便更多的开发者和研究者使用。

项目技术分析

WSL4MIS采用了弱监督学习策略，包括点标注（如scribble）或密集标注来训练模型。它集成了多种损失函数和后处理技术，例如部分交叉熵（pCE）、总变差（TV）、熵最小化等。这些方法旨在提高在有限标注数据上的分割性能，尤其适用于医疗图像中高质量注释难以获取的情况。

项目还提供了数据预处理脚本、训练和测试模型的shell脚本，以及模拟其他数据集scribble标注的代码，使得实验可复现性得到保障。

项目及技术应用场景

WSL4MIS特别适合于：

1. 医疗图像分析领域，用于自动分割腹部器官、前列腺等，减轻医生的工作量。
2. 数据稀缺情况下的机器学习研究，尤其是当完整像素级标签难以获取时。
3. 对医疗图像理解的深度学习模型训练，通过弱标注提升模型泛化能力。

项目特点

1. 灵活性：支持多类型的弱标签（scribble、点标注），适应不同标注资源场景。
2. 兼容性：基于Pytorch框架，易于集成到现有的深度学习流程中。
3. 多样性：实现了多种前沿的弱监督学习算法，便于比较和优化。
4. 易用性：提供完整的训练和测试脚本，以及数据预处理工具，降低使用门槛。
5. 拓展性：开放源代码，鼓励社区贡献，持续更新并引入新的方法和技术。

为了开始你的旅程，只需克隆项目、预处理数据、训练和测试模型，即可体验WSL4MIS的强大功能。我们期待你的参与，共同推进医疗图像分析的技术边界。

WSL4MISScribbles or Points-based weakly-supervised learning for medical image segmentation, a strong baseline, and tutorial for research and application.项目地址:https://gitcode.com/gh_mirrors/ws/WSL4MIS