TMI 2024 | 基于生成分布先验的医学图像关键点定位

最新推荐文章于 2025-06-11 20:04:43 发布
最新推荐文章于 2025-06-11 20:04:43 发布
阅读量56 收藏
点赞数
分类专栏： 医学图像处理论文解读 文章标签： TMI 医学图像顶刊 医学图像处理 论文解读 深度学习
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/qq_42722197/article/details/145401553
版权

论文信息

题目：Landmark Localization From Medical Images With Generative Distribution Prior
基于生成分布先验的医学图像关键点定位
作者：Zixun Huang, Rui Zhao, Frank H. F. Leung, Sunetra Banerjee, Kin-Man Lam, Yong-Ping Zheng, and Sai Ho Ling
源码链接：https://github.com/jacksonhzx95/NFDP

论文创新点

  1. 提出了一种新颖的框架，从回归的角度解决关键点定位问题，而无需问题特定的设计。具体而言，将结构分布知识作为可学习的惩罚函数引入到所提

了解本专栏 订阅专栏 解锁全文
TMI 2024 | 基于分布重新校准的多实例学习与Transformer用于全切片图像分类
小白学视觉
03-13 69
分布重新校准策略：本文首次引入了一种分布重新校准策略，通过最大实例（关键实例）特征的统计信息来调整WSI包（实例）的特征分布。特征幅度损失：为了强制类别（包）分离，本文引入了特征幅度损失，假设正包的特征幅度大于负包。生成过程：本文引入了一种生成过程，利用向量量化（VQ）来提高实例的判别能力，即VQ有助于为改进分类建模包的潜在因素。位置编码模块（PEM）：为了建模空间和上下文信息，本文采用了一个位置编码模块（PEM），并通过多头自注意力（PMSA）进行基于Transformer的池化。在数字病理学中，全切片图
TMI 2024 | 基于扩散模型的脑图像反事实生成与异常检测
小白学视觉
03-10 125
病理区域的分割掩码在许多医学应用中非常有用，例如脑肿瘤和卒中的管理。此外，健康的反事实图像可以用于增强放射科医生的训练文件，并提高分割模型的可解释性。在本研究中，我们提出了一种弱监督方法，用于生成病变图像的健康版本，并利用它来获取像素级的异常图。为此，我们首先使用ACAT生成一个大致覆盖病理区域的显著性图。然后，我们提出了一种技术，允许对这些区域进行有针对性的修改，同时保留图像的其余部分。
TMI 2024 | 基于去噪扩散概率模型的CT金属伪影减少
小白学视觉
03-07 154
金属物体的存在会导致CT投影测量数据损坏，进而在重建的CT图像中产生金属伪影。人工智能（AI）有望提供改进的解决方案来估计缺失的投影数据，以减少金属伪影（MAR），正如之前使用卷积神经网络（CNN）和生成对抗网络（GAN）所展示的那样。最近，去噪扩散概率模型（DDPM）在图像生成任务中显示出巨大的潜力，可能优于GAN。在本研究中，提出了一种基于DDPM的方法，用于修复缺失的投影数据，以改进MAR。该模型是无条件训练的，不依赖于金属物体的信息，这可能会增强其在不同类型金属植入物中的泛化能力。
TMI 2024 | CT通用分割模型的先验类别网络
小白学视觉
06-11 72
在计算机断层扫描（CT）图像中对解剖结构进行准确分割对于临床诊断、治疗规划和疾病监测至关重要。当前的深度学习分割方法受到数据规模和模型大小等因素的阻碍。受医生识别组织方式的启发，我们提出了一种新的方法，即先验类别网络（PCNet），通过利用不同解剖结构类别之间的先验知识来提升分割性能。我们的PCNet包含三个关键组件：先验类别提示（PCP）、层次类别系统（HCS）和层次类别损失（HCL）。PCP利用对比语言-图像预训练（CLIP）以及注意力模块，系统地定义了临床医生识别的解剖类别之间的关系。
TMI 2024 | 学习鲁棒形状正则化以实现可泛化的医学图像分割
小白学视觉
04-09 62
可泛化的医学图像分割使模型能够在领域偏移问题下泛化到未见的目标领域。最近进展表明，分割目标的形状因其在跨领域的高一致性和鲁棒性，可以作为可靠的正则化来帮助模型获得更好的跨领域性能，其中现有方法通常寻求一个共享框架来同时渲染分割图和形状先验。然而，由于现代深度神经网络固有的纹理和风格偏好，提取的形状的边缘或轮廓将不可避免地受到医学图像在领域偏移下的特定领域纹理和风格干扰的影响。为了解决这一局限性，作者设计了一个新颖的框架，将形状正则化和分割图分离。
TMI 2024 | PolarFormer: 一种基于Transformer的血管内OCT多病变分割方法
小白学视觉
05-23 27
尽管已有多种基于深度学习的方法被提出用于从血管内光学相干断层扫描（OCT）图像中提取单一类别的易损斑块，但由于缺乏公开的大规模多类别易损斑块标注的血管内OCT数据集，进一步的研究受到了限制。此外，由于斑块的不规则分布、独特的几何形状和模糊的边界，多类别易损斑块分割极具挑战性。现有方法未能充分解决易损斑块的几何特征和空间先验信息。为了解决这些问题，我们收集了一个包含70个回拉数据的数据集，并开发了一个名为PolarFormer的多类别易损斑块分割模型，该模型结合了易损斑块在空间分布上的先验知识。
TMI 2024 | HiDiff: 用于医学图像分割的混合扩散框架
小白学视觉
03-15 74
随着深度学习（DL）技术的快速发展，医学图像分割取得了显著进展。现有的基于DL的分割模型通常是判别式的，即它们旨在学习从输入图像到分割掩码的映射。然而，这些判别方法忽略了底层数据分布和内在类别特征，导致特征空间不稳定。在本工作中，我们提出通过生成模型的知识来补充判别式分割方法。为此，我们提出了一种新颖的混合扩散框架，称为HiDiff，它可以协同现有判别式分割模型和新的生成扩散模型的优势。HiDiff包含两个关键组件：判别式分割器和扩散细化器。
TMI 2024 | 基于DDPM生成内容和Transformer评估器的盲CT图像质量评估
小白学视觉
03-08 100
降低每视角的辐射剂量和利用稀疏视角进行扫描是两种常见的CT扫描模式，尽管这些模式常常导致图像出现噪声和条纹伪影等失真。盲图像质量评估（BIQA）致力于评估与放射科医生感知一致的感知质量，在推进低剂量CT重建技术方面发挥着重要作用。一个有趣的方向是开发模仿人类视觉系统（HVS）操作特性的BIQA方法。内部生成机制（IGM）理论揭示了HVS积极推断主要内容以增强理解。在本研究中，我们引入了一种创新的BIQA指标，该指标模拟IGM的主动推理过程。
【技术追踪】HiDiff：医学图像分割的混合扩散框架（TMI-2024）
风巽·剑染春水的博客
07-11 2136
HiDiff：一种用于医学图像分割的新型混合扩散框架，它可以协同现有判别分割模型和新型生成扩散模型的优势，在腹部器官、脑肿瘤、息肉和视网膜血管分割数据集上性能表现 SOTA ！
RNN和CNN使用场景区别
mayaohao的博客
06-06 1046
RNN（循环神经网络）和 CNN（卷积神经网络）是深度学习中两种核心架构，它们的使用场景主要取决于数据结构和任务需求。
山东大学深度学习2025年期末考试
c335000的博客
06-05 585
1.反向传播2.激活函数3.梯度裁剪4.数据增强5.迁移学习6.过拟合7.word2Vec8.注意力机制。
机器学习与深度学习19-线性代数02
beijieweiyu的博客
06-11 247
协方差矩阵的特征值和特征向量提供了关于数据结构和特征重要性的有用信息，在 PCA 中，我们将协方差矩阵的特征向量作为新的基向量，将数据投影到这些基向量上，构成新的特征空间。这些梯度可以用于更新权重矩阵，以最小化损失函数，并不断优化神经网络的性能，通过矩阵运算和逐元素操作，神经网络可以高效地进行前向传播和反向传播过程，实现输入数据的转换和网络参数的学习。矩阵的奇异值分解（Singular Value Decomposition，SVD）是一种重要的矩阵分解技术，它将一个矩阵分解为三个矩阵的乘积。
卷积神经网络（一）
qq_52889317的博客
06-11 541
本章介绍了卷积神经网络(CNN)的基本结构和原理。与全连接网络不同，CNN通过卷积层和池化层处理具有空间结构的图像数据，能够保留输入的形状信息。具体讲解了卷积运算的实现过程，包括滤波器滑动窗口的乘积累加操作和偏置的添加。CNN的典型结构由"卷积-ReLU-(池化)"层组合构成，最后使用"全连接-Softmax"输出结果。该网络结构在图像识别等领域表现出色。
PCDF (Progressive Continuous Discrimination Filter)模块构建
不断积累不断学习
06-07 561
（1）高层特征 → 双线性上采样 → 与低层特征逐级融合。：浅层特征（边缘细节）与深层特征（语义信息）的融合。（3）防止信息退化：跳层连接 + 跨尺度拼接。轻量 MLP：CCM 的通道缩减比1/4。（1）使用深度可分离卷积替代标准卷积。：目标尺寸在视频序列中的剧烈变化。：移除通道响应<0.1的特征层。：低质量医疗图像中的伪影干扰。：融合多尺度上下文信息。：动态调整特征响应权重。通道压缩：CSF 中。（2）保留原始分辨率。U-net++网络中。
计算机视觉与深度学习 ｜ 两种经典的低照度增强算法：多尺度Retinex(MSR)和自适应直方图均衡化(CLAHE)
尘世冰封的专栏
06-11 157
先通过MSRCR恢复色彩和全局对比度，再用CLAHE增强局部细节，最后进行自适应伽马校正优化亮度分布。常用三尺度：$ \sigma = [15, 80, 250] $, $ w_k = 1/3 $两种方法完整代码已通过Matlab R2023a验证，可直接用于实际低照度图像增强项目。基于人眼视觉系统的Retinex理论：图像。
【深度学习】深度学习中的张量：从多维数组到智能计算单元
最新发布
m0_56800366的博客
06-11 265
项目内容张量定义通用的n维数组与NumPy区别支持GPU & 自动微分关键能力高效计算 + 梯度追踪应用场景模型输入/输出/参数的基础单位。
从代码学习深度学习 - 全局向量的词嵌入（GloVe）PyTorch版
weixin_43887510的博客
06-11 276
在自然语言处理（NLP）的广阔天地中，如何让计算机理解人类语言的丰富内涵，一直是核心挑战。词嵌入（Word Embedding）技术为此提供了优雅的解决方案，它将词语映射到低维、稠密的向量空间中，使得语义相近的词在空间中的距离也相近。我们之前已经熟悉了像Word2Vec这样的模型，它通过局部上下文窗口来学习词向量。然而，Word2Vec的视野有限，它一次只能看到一个小的上下文窗口，忽略了语料库中丰富的全局统计信息。今天，我们将深入探讨另一种强大的词嵌入模型——。
RNN做中文分词
mayaohao的博客
06-10 690
结合 RNN 的输出和 CRF 的转移矩阵，使用维特比算法（Viterbi Algorithm）找到最优标签序列。中文与英文不同，词与词之间没有空格分隔。分词就是要在连续的字符流中找出正确的词边界。在中文分词中，每个字符的标签不仅取决于自身，还与前后文相关。RNN 直接预测每个字符的标签时，会忽略标签之间的约束关系（如。普通 RNN 只能看到左侧上下文（从左到右），而中文分词需要。依次处理序列中的每个元素，并维护一个。循环神经网络（RNN）的核心优势是。是标签数量，如 4），其中。最常用的分词标注方案是。
压缩感知最新
04-16
- **生成对抗网络（GAN）**：用于先验建模，在低采样率（）下仍能保持图像细节[^3] $$ \min_{x} \|y - Ax\|_2^2 + \lambda \mathcal{N}_\theta(x) $$ 其中$\mathcal{N}_\theta$表示深度网络正则项 #### 2. **结构...
评论
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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