基于变形模板的弱监督体图像分割

8月前作者：小杨小杨1 分类：Toy博客阅读(32) 违法举报

这篇具有很好参考价值的文章主要介绍了基于变形模板的弱监督体图像分割。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Weakly Supervised Volumetric Image Segmentation with Deformed Templates

摘要

背景
有许多方法可以对网络进行弱监督训练来分割2D图像。依赖于对3D图像的2D切片的子集的完全监督
本文方法

提出了一种真正弱监督的体积分割方法，因为我们只需要在目标对象的表面上提供一组稀疏的3D点，而不是详细的2D掩模
使用3D点来变形3D模板，使其大致匹配目标对象轮廓，并引入了一种利用其提供的监督信号来训练网络以找到准确边界的架构

本文方法

仅在目标对象的表面上提供一组稀疏的3D点，而不是在每个图像体积中仔细注释几个单独的切片。
基于变形模板的弱监督体图像分割
注释器提供了一些3D点，使用主动曲面模型（ASM）将其拟合到模板中
结果被光栅化并覆盖在图像上
注释器可以添加更多内容，并根据需要再次对模板进行变形

基于变形模板的弱监督体图像分割
弱监督网络架构
第一个U-Net将图像X作为输入并输出分割结果Y，该分割又被馈送到第二个U-Net，该第二U-Net输出重构图像X~。训练是通过联合最小化Lmse和Lce来实现的。

为了交互式地执行变形，开发了一个GUI，该GUI依赖于作为MITK插件实现的活动曲面模型（ASM）。它允许注释器通过点击输入图像体积的2D横截面来提供一些点。ASM然后实时变形模板，并将其覆盖在图像数据上，作为2D横截面和3D曲面渲染。然后，注释器可以在变形模板离目标器官边界太远的地方添加更多的点，并根据需要经常迭代。这以一种无痛和实用的方式有效地将人类置于循环中。
基于变形模板的弱监督体图像分割

实验结果

基于变形模板的弱监督体图像分割

文章来源地址https://www.toymoban.com/news/detail-471762.html

到了这里，关于基于变形模板的弱监督体图像分割的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：如若内容造成侵权/违法违规/事实不符，请点击违法举报进行投诉反馈，一经查实，立即删除！

分享到：

领支付宝红包赞助服务器费用

二十三章：抗对抗性操纵的弱监督和半监督语义分割的属性解释

弱监督语义分割从分类器中生成像素级定位，但往往会限制其关注目标对象的一个小的区域。AdvCAM是一种图像的属性图，通过增加分类分数来进行操作。这种操作以反对抗的方式实现，沿着像素梯度的相反方向扰动图像。它迫使最初被认为不具有区分度的区域参与

2024年02月15日
浏览(59)
基于一致性引导的元学习bootstraping半监督医学图像分割

医学成像取得了显著的进步，但通常需要大量高质量的注释数据，这些数据耗时且成本高昂。为了减轻这种负担，半监督学习作为一种潜在的解决方案引起了人们的关注。在本文中，我们提出了一种用于自引导医学图像分割(MLB-Seg)的元学习方法，这是一种解决半监督医学图像

2024年02月15日
浏览(31)
弱监督实例分割 Box-supervised Instance Segmentation with Level Set Evolution 论文笔记

写在前面这是一篇基于 Box 的弱监督实例分割文章，之前也分享过几篇（主页有，欢迎关注一下呗~），采用旧纸堆里面翻出来的能量函数来做弱监督。论文地址：Box-supervised Instance Segmentation with Level Set Evolution 代码地址：https://github.com/LiWentomng/boxlevelset 收录于：ECCV 202

2023年04月18日
浏览(39)
【论文阅读--WSOL】Spatial-Aware Token for Weakly Supervised Object Localization

论文：https://arxiv.org/abs/2303.10438 代码：https://github.com/wpy1999/SAT/blob/main/Model/SAT.py 这篇文章的方法应该属于FAM这一类。额外添加的一个spatial token，从第10-12层开始，利用其得到的attn map (对hea求mean–B, 1, 1, N+2) 作为visual cue去指出oject region，作用方式为将attn map 点乘到 attn weight

2023年04月14日
浏览(37)
【半监督图像分割 2023 CVPR】UniMatch

论文题目：Revisiting Weak-to-Strong Consistency in Semi-Supervised Semantic Segmentation 中文题目：重新审视半监督语义分割中的强弱一致性论文链接：https://arxiv.org/abs/2208.09910 论文代码：论文团队：发表时间： DOI: 引用：Yang L, Qi L, Feng L, et al. Revisiting weak-to-strong consistency in semi-supervised

2024年02月09日
浏览(51)
正交标注有利于无监督医学图像分割

半监督学习的最新趋势显著提高了3D半监督医学图像分割的性能。与2D图像相比，3D医学体积涉及来自不同方向的信息，例如横向、矢状面和冠状面，从而自然地提供互补的视图。这些互补的视图和相邻3D切片之间的内在相似性启发我们开发一种新的注释方式及其相应的半监督

2024年02月09日
浏览(39)
【半监督医学图像分割 2023 CVPR】BCP

论文题目：Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation 中文题目：双向复制粘贴半监督医学图像分割论文链接：https://arxiv.org/abs/2305.00673 论文代码：https://github.com/DeepMed-Lab-ECNU/BCP 论文团队：华东师范大学上海交通大学发表时间：2023年5月 DOI: 引用：引用数：在半

2024年02月08日
浏览(51)
【半监督医学图像分割 2023 CVPR】PatchCL

论文题目：Pseudo-label Guided Contrastive Learning for Semi-supervised Medical Image Segmentation 中文题目：伪标记引导的对比学习用于半监督医学图像分割论文链接：CVPR 2023 Open Access Repository (thecvf.com) 论文代码：https://github.com/hritam-98/PatchCL-MedSeg 论文团队：发表时间： DOI: 引用：引用数：

2024年02月16日
浏览(34)
【半监督医学图像分割 2023 】UCMT 论文翻译

论文题目：Co-training with High-Confidence Pseudo Labels for Semi-supervised Medical Image Segmentation 中文题目：基于高置信度伪标签的联合训练半监督医学图像分割论文链接：https://arxiv.org/abs/2301.04465 论文代码：https://github.com/Senyh/UCMT 发表时间：2023年1月论文团队：东北大学福建师范大学阿

2024年02月06日
浏览(40)
【半监督医学图像分割】2022-MedIA-UWI

论文题目：Semi-supervise d me dical image segmentation via a triple d-uncertainty guided mean teacher model with contrastive learning 中文题目：基于对比学习的三维不确定性指导平均教师模型的半监督图像分割论文链接：https://www.sciencedirect.com/science/article/pii/S1361841522000925 作者单位：四川大学成都信息

2024年02月10日
浏览(44)