- 博客(3)
- 收藏
- 关注
RSS订阅原创 CVPR2024 Diversified and Personalized Multi-rater Medical Image Segmentation
现有多标注者策略：1.众包（假设存在唯一元分割，通过融合多标注结果逼近该标签）、2.生成（旨在生成多样化结果，模拟专家会诊中不同意见，其输出为隐式且无序的备选分割）、3.单阶段个性化（通过生成显式专家结果集，即与标注者一一对应的分割，支持个体标注偏好追踪与性能分析，以提升质控与临床培训效率）现有工作要么试图将不同标注合并为"ground truth"（这在许多医学场景中难以实现），要么生成多样化结果，或针对个体专家标注者生成个性化结果。的偏见（不同专家对同一目标的理解和标注偏好不同，导致标注结果不一致）。
2025-04-07 22:47:31
967
原创 CVPR2024 Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Mul
但是低分辨率特征图必须通过上采样提升至高分辨率，以便计算真实标签与预测结果之间的损失函数，这种大幅度的上采样操作会因预测细节边界和结构时出现的信息丢失，干扰模型的表征能力。基于深度学习的医学图像分析大多忽视了频率方差的重要性，而频率方差是实现模态不可知和领域可泛化模型的关键因素。同时恢复第s个尺度分支的通道数为Cs，并在上采样后应用残差连接，聚合不同尺度分支的精细特征，得到空间精细特征图。多频率的差异比多尺度更明显。对于深度监督的多任务学习，定义核心任务为区域分割R，子任务为边界检测B和距离图回归D。
2025-04-07 01:38:06
1336
原创 CVPR2024 Continual Test-Time Adaptation for 2D Medical Image Segmentation
低频成分指的是图像中变化较慢的部分（比如整体的亮度、对比度、颜色分布等），通常与图像的风格（style textures）密切相关。Distribution shift分布偏移：训练模型时使用的数据分布（比如图像的特征、质量、光线、设备差异等）与实际应用中的数据分布不一致，从而影响模型的性能和准确性。（3）将源域的统计量（存储在BN层中）转换为预热统计量（warm-up statistics），并计算预热统计量与目标统计量之间的绝对距离，作为损失函数来微调提示。
2025-04-06 16:44:19
1892
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人