TMI 2024 | 学习一个单一网络以实现对带有噪声标签的鲁棒医学图像分割

最新推荐文章于 2025-06-11 22:57:58 发布
最新推荐文章于 2025-06-11 22:57:58 发布
阅读量63 收藏
点赞数
分类专栏： 医学图像处理论文解读 文章标签： 计算机视觉 人工智能 深度学习 医学图像处理 医学图像顶刊 TMI 论文解读
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/qq_42722197/article/details/145404044
版权

论文信息

题目：Learning a Single Network for Robust Medical Image Segmentation With Noisy Labels
学习一个单一网络以实现对带有噪声标签的鲁棒医学图像分割
作者：Shuquan Ye , Yan Xu , Dongdong Chen , Songfang Han , and Jing Liao

论文创新点

    1. 提出了一种新颖的 同步边缘对齐和记忆辅助学习（SEAMAL） 框架，用于噪声标签鲁棒分割。
    1. 设计了一个 记忆辅助选择和校正（MSC） 模块，利用预测历史一致性从单一模型的记忆库中区分出可靠和不可靠的标签。
    1. 提出了一个边缘检测分支（EDB）
了解本专栏 订阅专栏 解锁全文
TMI‘24 | 学习一个单一网络以实现对带有噪声标签的鲁棒医学图像分割
小白学视觉
02-15 48
在医学成像中，由于获取高质量标注的困难，鲁棒地进行噪声标签分割是一个重要问题。尽管最近的进展取得了巨大的成功，但这些进展仍然需要多个网络来构建它们的框架，并且专注于有限的应用场景，导致在实际应用中的不灵活性。它们也没有明确考虑粗边界标签问题，导致次优结果。为了克服这些挑战，我们提出了一种新颖的同步边缘对齐和记忆辅助学习（SEAMAL） 框架，用于噪声标签鲁棒分割。它实现了单一网络鲁棒学习，适用于2D和3D分割，在Set-HQ-knowable和Set-HQ-agnostic场景中。具体来说，为了实现单一模型
医图顶刊 TMI‘24 | 学习一个单一网络以实现对带有噪声标签的医学图像分割
xx_nm98的博客
12-02 1235
在医学成像中，由于获取高质量标注的困难，鲁棒地进行噪声标签分割是一个重要问题。尽管最近的进展取得了巨大的成功，但这些进展仍然需要多个网络来构建它们的框架，并且专注于有限的应用场景，导致在实际应用中的不灵活性。它们也没有明确考虑粗边界标签问题，导致次优结果。为了克服这些挑战，我们提出了一种新颖的同步边缘对齐和记忆辅助学习（SEAMAL）框架，用于噪声标签鲁棒分割。它实现了单一网络鲁棒学习，适用于2D和3D分割，在Set-HQ-knowable和Set-HQ-agnostic场景中。
【AI视野·今日CV 计算机视觉论文速览 第224期】Tue, 22 Jun 2021
TomRen
06-24 2562
AI视野·今日CS.CV 计算机视觉论文速览 Tue, 22 Jun 2021 (showing first 100 of 122 entries) Totally 100 papers ????上期速览✈更多精彩请移步主页 Daily Computer Vision Papers Towards Long-Form Video Understanding Authors Chao Yuan Wu, Philipp Kr henb hl我们的世界提供了永无止境的视觉刺激流，但今天的Vision
二十二章：通过响应缩放进行不确定性估计，以减轻弱监督语义分割中伪掩码噪声的影响
ADICDFHL的博客
07-29 925
弱监督语义分割（WSSS）在不需要密集注释的情况下对对象进行分割。然而，生成的伪掩码存在明显的噪声像素，这导致在这些伪掩码上训练的分割模型表现不佳。但是，很少有研究注意到或解决这个问题，即使在改进了伪掩码后这些噪声像素仍然是不可避免的。因此，我们试图改进WSSS的噪声抑制方面。我们观察到许多噪声像素具有很高的置信度，特别是当响应范围过宽或过窄时，表现出不确定的状态。因此，在本文中，我们通过多次缩放预测图来模拟响应的噪声变化，以估计不确定性。然后，利用这种不确定性来加权分割损失，以减轻噪声监督信号。
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 | 基于生成分布先验的医学图像关键点定位
小白学视觉
03-22 56
在医学图像分析中，解剖学关键点通常包含其结构信息的强先验知识。本文提出通过归一化流（normalizing flows）建模关键点的潜在分布，从而促进医学关键点定位。具体而言，我们将基于流的先验分布作为可学习的目标函数引入基于回归的关键点定位框架中。此外，我们采用积分操作，使从热图到坐标的映射可微分，从而进一步增强基于热图的关键点定位效果。我们提出的基于归一化流的分布先验（NFDP）采用简单的骨干网络和非问题特定的架构（即ResNet18），在三个基于X射线的关键点定位数据集上实现了高保真输出。
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。
基于OpenCV的图像增强技术：直方图均衡化与自适应直方图均衡化
最新发布
zdx2585503940的博客
06-11 539
直方图均衡化是图像增强的基础技术，而CLAHE则是其改进版本，更适合处理局部对比度变化大的图像。快速实现图像直方图分析应用全局直方图均衡化使用CLAHE进行局部自适应增强直观比较不同处理方法的差异掌握这些技术将为你的图像处理工作提供强大工具。在实际应用中，建议根据具体需求选择合适的算法和参数。
YOLOv1 技术详解：目标检测的实时革命
guoguozgw的博客
06-11 579
YOLOv1 的出现标志着目标检测进入了一个全新的时代 ——“端到端、单阶段、实时检测”。尽管它在精度上不如当时的两阶段方法，但其简洁高效的结构理念影响深远，也为后续版本的发展奠定了基础。作为初学者，掌握 YOLOv1 的基本原理有助于理解现代目标检测框架的设计思路。📌《YOLOv2 技术详解：引入 Anchor Boxes 与多尺度预测》
计算机视觉——相机标定
m0_72748751的博客
06-07 871
⋆。
计算机视觉与深度学习 ｜ 基于Matlab的低照度图像增强算法：全面总结与实现
尘世冰封的专栏
06-11 29
所有代码在MATLAB R2023a中测试通过，需要Image Processing Toolbox和Deep Learning Toolbox支持。实际应用中应根据具体场景调整参数，建议使用交叉验证确定最优参数组合。其中：I为观测图像，L为光照分量，R为反射分量（增强目标）E为场景辐照度，t为曝光时间，f为相机响应函数，N为噪声。：使用CNN学习低照度到正常照度的映射。：分离光照分量并调整，恢复反射分量。：重新分布像素强度值，扩展动态范围。：建立成像物理模型并反向求解。：融合多种增强结果的优势。
【DETR目标检测】ISTD-DETR：一种基于DETR与超分辨率技术的红外小目标检测深度学习算法
weixin_44184852的博客
06-11 275
本文提出ISTD-DETR算法，一种结合超分辨率技术与改进RT-DETR模型的红外小目标检测方法。针对红外图像低对比度、高噪声和小目标检测的挑战，该方法通过EDSR超分辨率预处理增强图像细节，采用状态空间模型与EMA架构构建主干网络，并引入SPD-EMA模块和S2特征层优化特征融合。实验表明，该算法在Anti-UAV和SIRST数据集上实现了精度与实时性的平衡，显著降低了误检和漏检率。主要创新包括：改进的Transformer架构、Mamba模型骨干网络、SPD-EMA特征增强模块和超分辨率预处理技术，为红
【医学目标检测】LN-DETR：一种基于多尺度特征融合的肺结节检测高效Transformer架构
weixin_44184852的博客
06-11 328
肺癌仍是全球主要致死病因之一，早期检测对提高患者生存率至关重要。传统肺结节检测方法效率低下且准确性不足，难以满足临床需求。尽管深度学习方法在医学影像分析领域取得进展，现有技术对形态复杂的小结节检测效果仍不理想，存在漏检与假阳性问题。此外，既往模型的高计算复杂度阻碍了实时检测。针对这些挑战，本研究提出名为LN-DETR的基于Transformer的肺结节检测模型。
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。
Python----目标检测（YOLO简介）
weixin_64110589的博客
06-06 2552
[YOLO](You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（AliFarhadi）开发，YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。
YOLOv1 技术详解：正负样本划分与置信度设计
guoguozgw的博客
06-11 723
confidencePobject×IoUpred,truthconfidencePobject×IoUpred,truth​PobjectPobject：当前预测框是否包含物体（0 或 1）；IoUpred,truthIoUpred,truth​：预测框与真实框的交并比；模块内容正样本划分每个真实框只分配给一个 grid cell，该 cell 中 IoU 最高的预测框作为正样本负样本划分不包含物体的预测框作为负样本，仅参与置信度损失置信度设计P。
数据集-目标检测系列- 狮子 数据集 lion ＞＞ DataBall
DATABALL 的博客
06-11 84
数据集-目标检测系列- 狮子 数据集 lion ＞＞ DataBall
计算机视觉与深度学习 ｜ 基于Matlab的低照度图像增强算法原理，公式及实现
尘世冰封的专栏
06-11 30
MSRCR基于Retinex理论，将图像分解为光照分量和反射分量。它通过多尺度高斯模糊估计光照分量，并从原始图像中减去其对数来估计反射分量（MSR）。最后通过色彩恢复因子（CRF）恢复颜色信息并修正失真。能有效提升图像整体亮度和局部对比度。能增强暗区域的细节可见性。通过CRF有效缓解颜色失真问题（相比原始MSR）。物理模型相对清晰。计算复杂度较高（尤其大尺度高斯卷积）。高斯卷积可能导致光晕伪影（Halo artifacts），尤其是在强边缘附近。增强过程可能放大图像噪声。参数（
tmi医学图像分割精读
02-20
### TMI医学图像分割的技术细节 #### 轻量级高效的3D医学图像分割模型 UNETR++ UNETR++ 是一种新型的用于3D医学图像分割的方法，该方法不仅保持了高准确性还实现了轻量化设计。通过引入共享权重机制，在不牺牲性能的前提下显著减少了参数数量和计算成本[^1]。 ```python import torch.nn as nn class UNETRpp(nn.Module): def __init__(self, input_channels=1, num_classes=2): super(UNETRpp, self).__init__() # 定义网络结构... def forward(self, x): # 前向传播逻辑... pass ``` #### 结合2D与3D优势的混合维度解决方案 为了进一步提高效率并降低资源消耗，研究者们探索了介于传统2D和平面化处理之间的中间路线——即所谓的2.5D方案。这类方法试图利用二维切片间的空间关联性来增强特征表示能力的同时维持较低的时间复杂度[^2]。 ```matlab function output = hybrid_2d_to_3d(input_slices) % 输入一系列连续断层扫描图片作为三维体数据的一部分， % 输出经过优化后的预测标签图。 end ```
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