论文阅读记录 | Decoupled Consistency for Semi-supervised Medical Image Segmentation

于 2024-07-13 17:45:08 发布
阅读量911 收藏 19
点赞数 25
分类专栏： 论文阅读笔记 文章标签： 论文阅读
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/m0_61574757/article/details/140403411
版权

  • Abstract

    • 背景： 通过充分利用未标注的数据，半监督学习（SSL）技术在医学图像分割中最近取得了令人瞩目的成果。伪标签生成和一致性正则化是利用未标注数据的两种有效策略。

    • 局限性：

      • 传统的伪标签生成方法会过滤掉低置信度的像素；

      • 一致性正则化不能充分利用高置信度和低置信度数据的优势。

    • 本文贡献：

      • 提出了一种新颖的解耦一致性半监督医学图像分割框架；

      • 动态阈值解耦预测数据：将预测数据解耦为一致部分和不一致部分；

      • 采用交叉伪监督方法优化一致部分的数据，提高模型性能；

      • 进一步解耦(分类)不一致部分，分类为可能接近决策边界的不可靠数据和更可能出现在高密度区域的引导数据。

      • 方向一致性：将不可靠数据将朝着引导数据的方向进行优化，特征一致性：训练过程中结合特征图并计算特征一致性损失。

  • Method

    • Pipline: DC-Net

    • DC-Net 包含两个解码器 θdA 和 θdB ，其中 θdA 使用双线性插值进行上采样，θdB 使用转置卷积进行上采样。对于标记数据，计算它们之间的损失 Lseg 和 ground-truth，对于一致的部分，计算交叉伪监督损失 L_cp，对于不一致的部分，计算方向一致性损失 L_dc，对于特征图，计

最低0.47元/天 解锁文章
5分钟速成半监督医学图像分割
wei_shuo的博客
07-31 1595
5分钟速成半监督医学图像分割
经典半监督医学图形分割论文分享~ BCP CPS
最新发布
weixin_63670364的博客
09-07 1446
半监督医学图像分割是一种在医学图像处理领域中使用的方法，它结合了少量标注数据和大量未标注数据进行图像分割。传统的监督学习方法依赖大量的标注数据来训练模型，而在医学图像处理中，获取标注数据通常非常耗时且昂贵，因此半监督学习在这个领域变得尤为重要。在半监督医学图像分割中，模型通常使用少量标注的医学图像进行初步训练，然后利用大量未标注的医学图像通过自监督、生成对抗网络（GAN）、一致性正则化或伪标签等技术进一步优化模型。这种方法既能提高分割的准确性，又能有效利用未标注数据，从而减少对大量标注数据的依赖。
Self-training with dual uncertainty for semi-supervisedmedical image segmentation论文笔记
qq_43467397的博客
04-20 446
做差然后平方求和取平均，通过这种方式来判断预测的伪标签是否准确，或者说是否可靠）
半监督学习之DTC(Semi-supervised Medical Image Segmentation through Dual-task Consistency)
kobayashi_的博客
06-17 2836
半监督学习之DTC 不同于MixMatch这类使用“数据增强后的结果一致性(consistency)”，改方法使用“任务一致性”来约束模型（正则化）。由于第一类方法的无监督信号的构建需要模型的预测流程，即每一步由“训练+预测”构成，所以相对的带来了训练时间的大大增加(在Keras框架里面可以通过构建类似GAN一样的结构，即将一个模型complie两次，但是预测的哪个模型的所有参数的设置为不可训练)。而DTC（开创性的工作）提出一种新思路——“任务一致性正则”，通过将分割分为pixel-wise分类任务和l
Mutual consistency learning for semi-supervised medical image segmentation 论文阅读笔记
Bug_Oreo的博客
03-20 2293
用有限数据训练出的model在医学图像模糊区域的书橱往往具有高度不确定以及容易分割错误。因此提出了本文的模型MC-NET+。论文代码提出了MC-NET+的网络来利用未标注的数据进行半监督的医学图像分割。这个网络模型包含两个主要创新点: 1. 模型包含一个共享的encoder以及多个在上采样阶段略有不同的decoder。多decoder输出的计算用于表示模型的不确定性， 也就相当于代指了未标注的hard区域。
CVPR2022:Generalizable Cross-modality Medical Image Segmentation via StyleAugmentation and Dual Norm
ssshyeong的博客
09-12 3775
我们在本文中提出了一种新的双归一化模型，在我们的广义分割过程中利用增强的源相似图像和源不同图像。具体来说，在给定单个源域的情况下，为了模拟在不可见的目标域中可能出现的外观变化，我们首先利用非线性变换来增强源相似图像和源不同图像。然后，为了充分利用这两种类型的增强，我们提出的基于双归一化的模型使用一个共享的骨干但独立的批归一化层进行单独的归一化。然后，我们提出了一种基于样式的选择方案来自动选择测试阶段的合适路径。
基于内在一致性学习的半监督医学图像精确分割
qq_45745941的博客
03-29 568
做了关于SSPA的实验，主干网络为UNet/SwinUNET。主要是中间那一部分，上面是有监督的代理，下面是无监督的代理。通过交叉注意力：可以得到两个分割结果图M和另一个Q。p是无标签数据正向得到的预测。通过这两个代理来约束。
基于互一致性学习的半监督医学图像分割
weixin_42489272的博客
12-07 1357
对所有的数据（有标签和无标签一起），计算三个解码器交叉的MSELoss，MSE(Yd1, Yd2锐化)，MSE(Yd1, Yd3锐化)，MSE(Yd2，Yd1锐化)，MSE(Yd2, Yd3锐化)，MSE(Yd3, Yd1锐化)，MSE(Yd3, Yd2锐化)MSE(Yd1, Yd2锐化)，MSE(Yd1, Yd3锐化)，MSE(Yd2，Yd1锐化)，MSE(Yd2, Yd3锐化)，MSE(Yd3, Yd1锐化)，MSE(Yd3, Yd2锐化)MC损失，就是用锐化前的和锐化后的一致性损失，来自不同解码器。
基于双任务一致性的半监督医学图像分割
qq_58529413的博客
06-04 775
论文总结
双向复制粘贴半监督医学图像分割
qq_45745941的博客
07-06 1074
在半监督医学图像分割中，存在标记数据与未标记数据分布不匹配的问题。如果单独或以不一致的方式处理标记和未标记数据，则从标记数据中获得的知识可能在很大程度上被丢弃。我们提出了一种直接的方法来缓解这个问题-在一个简单的Mean Teacher架构中双向复制粘贴标记和未标记的数据。本文方法鼓励未标记的数据在内向和外向两个方向上从标记的数据中学习全面的公共语义标记和未标记数据的一致学习过程可以大大减少经验分布差距。
ACTION++:改进半监督医学图像分割与自适应解剖对比度
qq_45745941的博客
07-24 586
医学数据往往表现为长尾分布，类不平衡严重，这自然导致对少数类(即边界区域或稀有对象)的分类困难。最近的工作通过配备无监督对比标准，显着改善了长尾场景下的半监督医学图像分割。然而，在类别分布高度不平衡的标记部分数据中，它们的表现如何仍不清楚。在这项工作中，我们提出了action++，一个改进的对比学习框架，具有自适应解剖对比，用于半监督医学分割。
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation
weixin_45648030的博客
06-03 1337
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation
DHC：用于类别不平衡的半监督医学图像分割的双重去偏异构协同框架
qq_45745941的博客
05-09 685
该研究针对三维医学图像的体积级标注需求专业性高、耗时长的问题，因此半监督学习（SSL）在利用有限标注数据进行训练方面尤为重要。然而，类别不平衡的严重问题成为限制这些方法在实际应用中的瓶颈，但却鲜有解决方案。为解决这一问题，提出了一种新颖的双重去偏异构协同（DHC）框架，用于半监督三维医学图像分割。提出了两种损失加权策略，即分布感知去偏加权（DistDW）和困难感知去偏加权（DiffDW），这两种策略动态地利用伪标签引导模型解决数据和学习偏差。该框架通过同时训练这两个不同且准确的子模型显著改善了性能。
【半监督医学图像分割 2022 MICCAI】SCS 论文翻译
wujing1_1的博客
02-14 2105
摘要深度学习方法在医学图像分割任务中的成功与否，很大程度上依赖于大量标注数据的监督训练。另一方面，生物医学图像的注释需要领域知识，可能是费力的。近年来，对比学习在学习图像的潜在表征方面表现出了巨大的潜力。现有的工作已经探索了它在生物医学图像分割中的应用，其中只有一小部分数据被标记，通过基于自我监督对比学习的训练前阶段，不使用任何标签，然后只对标记的部分数据进行监督微调阶段。在本文中，我们建立了通过在训练前阶段包含有限的标签信息，可以提高对比学习的性能。我们提出了一种有监督的局部对比损失。
【半监督医学图像分割 2023】RCPS
wujing1_1的博客
03-30 2787
摘要医学图像分割方法通常被设计为全监督的，以保证模型的性能，这需要大量的专家注释样本，成本高，费力。半监督图像分割可以利用大量未标记图像和有限的标记图像来缓解这一问题。然而，由于伪标签中潜在的噪声和特征空间中的类可分性不足，从大量未标记图像中学习鲁棒的表示仍然是一个挑战，这削弱了现有半监督分割方法的性能。针对上述问题，我们提出了一种新的半监督分割方法–校正对比伪监督(RCPS)，该方法将校正伪监督和体素级对比学习相结合，以提高半监督分割的有效性。特别地，我们设计了一种新的基于不确定度估计和。
Contrmix:用于半监督医学图像分割的渐进式混合对比学习
weixin_51657614的博客
06-19 1241
由于获取医学图像密集像素级注释相关的挑战，半监督学习(SSL)技术作为一种新的技术已经引起了广泛的关注。用有限数量的注释数据训练模型的有效方法[1,2]。基于流形假设和平滑假设[3]，一致性正则化在SSL框架中得到了广泛的应用。其中一个突出的框架是Mean Teacher[4]，它已经证明了它在各种视觉任务中的有效性。基于混合的数据处理策略近年来引起了大量的研究[5,6]。一些研究已经在SSL中引入了适当的基于混合的数据增强技术，以进一步提高性能[7]。
《Semi-supervised Medical Image Segmentation Using Cross-Model Pseudo-Supervision with Shape Awarene》
weixin_37591159的博客
09-29 2365
111
[论文阅读]-0.MICCAI 2023 医学图像分割开源论文
Hollycooool的博客
05-23 3032
MICCAI2023医学图像分割开源论文部分汇总
DCNet论文速读
qq_45745941的博客
04-11 445
通过充分利用未标记的数据，半监督学习（SSL）技术最近在医学图像分割方面取得了可喜的成果。伪标记和一致性正则化是使用未标记数据的两种有效策略。然而，传统的伪标记方法会过滤掉低置信度的像素。一致性正则化没有充分利用高置信度和低置信度数据的优点。因此，这两种方法都不能充分利用未标记的数据本文提出了一种新颖的解耦一致性半监督医学图像分割框架。首先，利用动态阈值将预测数据解耦为一致和不一致的部分。对于一致部分，我们采用交叉伪监督的方法进行优化。
介绍一下：Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion
05-11
Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion 是一篇论文，主要探讨了如何利用自监督学习的方法对高光谱图像进行超分辨率重建。该方法使用了分离和耦合网络的结构，以及子像素融合技术，可以有效地提高超分辨率重建的精度和效率。该论文提出的算法不需要额外的训练数据，能够自动从低分辨率图像中学习高分辨率信息，实现了高质量的超分辨率重建。
评论 1
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