文章目录
- 一、分割|语义相关(6篇)
- 1.1 Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration
- 1.2 Tranfer Learning of Semantic Segmentation Methods for Identifying Buried Archaeological Structures on LiDAR Data
- 1.3 To pretrain or not to pretrain? A case study of domain-specific pretraining for semantic segmentation in histopathology
- 1.4 Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware Artery Segmentation
- 1.5 CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images
- 1.6 Empirical Analysis of a Segmentation Foundation Model in Prostate Imaging
一、分割|语义相关(6篇)
1.1 Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration
基于深度学习级联配准的胎脑MRI无监督分割
https://arxiv.org/abs/2307.03579
胎儿脑磁共振图像的准确分割对于分析胎儿脑发育和检测潜在的神经发育异常至关重要。传统的基于深度学习的自动分割虽然有效,但需要大量的训练数据和真实标签,通常由临床医生通过耗时的注释过程产生。为了克服这一挑战,我们提出了一种新的无监督分割方法的基础上多图集分割,准确地分割多个组织,而不依赖于标记的数据进行训练。我们的方法采用级联深度学习网络进行3D图像配准,该网络计算运动图像的小的增量变形,以将其与固定图像精确对齐。然后,该级联网络可以用于将多个注释图像与要分割的图像配准,并组合传播的标签以形成细化的分割。我们的实验表明,所提出的级联架构优于国家的最先进的注册方法进行了测试。此外,衍生的分割方法实现了与nnU-Net相似的性能和推理时间,同时仅使用注释数据的一小部分用于多图谱分割任务,而不用于训练网络。我们的配准和多图谱分割管道可在www.example.com上公开获取https://github.com/ValBcn/CasReg。
1.2 Tranfer Learning of Semantic Segmentation Methods for Identifying Buried Archaeological Structures on LiDAR Data
基于LiDAR数据的埋藏考古构造识别语义分割方法的迁移学习
https://arxiv.org/abs/2307.03512
在考古研究中将深度学习应用于遥感数据时,一个显著的障碍是用于训练模型的合适数据集的可用性有限。迁移学习的应用经常被用来减轻这个缺点。然而,仍有必要探索其有效性时,应用于不同的考古数据集。本文在两个LiDAR数据集上使用两个语义分割深度神经网络比较了各种迁移学习配置的性能。实验结果表明,迁移学习为基础的方法在考古学可以导致性能的提高,虽然尚未观察到系统的增强。我们提供了具体的见解,这些技术的有效性,可以作为未来工作的基线。
1.3 To pretrain or not to pretrain? A case study of domain-specific pretraining for semantic segmentation in histopathology
是预训还是不预训?特定领域预训练在组织病理学语义分割中的应用
https://arxiv.org/abs/2307.03275
注释医学成像数据集的成本很高,因此微调(或迁移学习)是数字病理学视觉应用(如疾病分类和语义分割)的最有效方法。然而,由于在真实世界图像上训练的模型中的纹理偏差,用于组织病理学应用的迁移学习可能导致模型表现不佳,这需要使用未标记的组织病理学数据和自监督方法来发现特定领域的特征。在这里,我们测试了组织病理学特定的预训练模型为病理学视觉任务提供更好的初始化的前提,即,腺体和细胞分裂。在这项研究中,我们比较了腺体和细胞分割任务与特定领域和非特定领域的预训练权重的性能。此外,我们研究了特定于域的预训练产生统计上显着的性能差异的数据大小。此外,我们研究了特定于域的初始化是否提高了在不同数据集上进行域外测试的有效性,但任务相同。结果表明,使用特定领域预训练的性能增益取决于任务和训练数据集的大小。在数据集大小有限的情况下,还观察到腺体分割性能的显著改善,而在细胞分割数据集上训练的模型没有表现出改善。
1.4 Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware Artery Segmentation
机器人超声成像中的运动放大:实现脉动感知的动脉分割
https://arxiv.org/abs/2307.03698
超声(US)成像被广泛用于诊断和监测动脉疾病,主要是由于其无创、无辐射和实时的优点。为了提供附加信息以辅助临床医生进行诊断,通常从US图像分割管状结构。为了提高动脉分割的准确性和稳定性,在扫描过程中,这项工作提出了一种新的脉动辅助分割神经网络(PAS-NN),明确利用心脏引起的运动。运动放大技术被用来放大感兴趣的频带内的细微运动,以从序列US图像中提取脉动信号。提取的实时脉动信息可以帮助在横截面US图像上定位动脉;因此,我们明确地将脉动集成到所提出的PAS-NN中作为注意力引导。值得注意的是,机器人臂对于在US成像期间提供稳定的移动是必要的,因为由于手震颤,放大来自沿着扫描路径捕获的US图像的目标运动是手动不可行的。为了验证所提出的用于成像动脉的机器人US系统,在志愿者的颈动脉和桡动脉上进行实验。结果表明,PAS-NN在颈动脉上可以达到与最先进水平相当的结果,并且可以有效地提高小血管(桡动脉)的分割性能。
1.5 CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images
CheXASK:一种多中心胸部X光图像解剖分割模板的大规模数据集
https://arxiv.org/abs/2307.03293
成功开发用于胸部X射线分析的人工智能模型依赖于具有高质量注释的大型多样化数据集。虽然已经发布了几个胸部X射线图像数据库,但大多数数据库包括疾病诊断标签,但缺乏详细的像素级解剖分割标签。为了解决这一差距,我们引入了一个广泛的胸部X射线多中心分割数据集,该数据集具有来自六个众所周知的公开数据库的图像的均匀和细粒度解剖注释:CANDID-PTX、ChestX-ray 8、Chexpert、MIMIC-CXR-JPG、Padchest和VinDr-CXR,得到676,803个分割掩码。我们的方法利用HybridGNet模型来确保所有数据集的一致性和高质量分割。进行严格的验证,包括专家医师评估和自动质量控制,以验证所得面罩。此外,我们提供个性化的质量指标,每个面具和整体质量估计每个数据集。该数据集为更广泛的科学界提供了宝贵的资源,简化了胸部X射线分析创新方法的开发和评估。CheXmask数据集可在以下网址公开获取:\url{https://physionet.org/content/chexmask-cxr-segmentation-data/}.
1.6 Empirical Analysis of a Segmentation Foundation Model in Prostate Imaging
一种分割基础模型在前列腺成像中的实证分析
https://arxiv.org/abs/2307.03266
大多数最先进的医学图像分割技术都依赖于深度学习模型。然而,这些模型通常以监督的方式在狭窄定义的任务上进行训练,这需要昂贵的标记数据集。在几个机器学习领域(例如自然语言生成)中的最新进展已经证明了构建基础模型的可行性和实用性,该基础模型可以针对各种下游任务进行定制,而几乎没有标记数据。这可能代表了医学成像的范式转变,我们预计基础模型可能会塑造该领域的未来。在本文中,我们考虑了最近开发的基础模型的医学图像分割,UniverSeg。我们在前列腺成像的背景下进行实证评估研究,并将其与训练特定任务分割模型的传统方法进行比较。我们的研究结果和讨论突出了几个重要的因素,可能是重要的基础模型的发展和采用医学图像分割。