文章目录

2019
- Shape-Aware Complementary-Task Learning for Multi-Organ Segmentation
2020
- Automatic Label Correction for the Accurate Edge Detection of Overlapping Cervical Cells
2021
- Contour Proposal Networks for Biomedical Instance Segmentation

2019

Shape-Aware Complementary-Task Learning for Multi-Organ Segmentation

code : https://github.com/ferchonavarro/shape_aware_segmentation
摘要： 全身计算机断层扫描(CT)中的多器官分割是一个持续的预处理步骤，它在器官特异性图像检索、放疗规划和介入图像分析中得到了应用。我们从器官的形状学习的角度来解决这个问题。我们引入了互补任务学习的想法，以强制形状优先利用现有的目标标签。我们提出了两个互补的任务，即i)距离图回归和ii)等高线图检测来明确地编码每个器官的几何性质。我们在包含多个器官CT扫描的公共内脏数据集上评估了所提出的解决方案。我们报告说，由于加入了互补任务学习，总体骰子得分从0.8849显著提高到0.9018。

2020

Automatic Label Correction for the Accurate Edge Detection of Overlapping Cervical Cells

code: https://github.com/nachifur/automatic-label-correction-CCEDD
准确的标记对于监督深度学习方法至关重要。本文利用深度学习模型精确分割多个重叠宫颈细胞的图像，提出了一种自动标记校正算法，以提高人工标记重叠宫颈细胞的边缘定位精度。我们的算法是基于梯度引导设计的，可以自动纠正重叠的宫颈细胞的边缘位置，以及使用不同标注器的人工标记之间的差异。利用该算法，我们构建了一个具有高标记精度的开放子宫颈细胞边缘检测数据集(CCEDD)。在训练数据集上的实验表明，我们的自动标签校正算法可以提高手动标签的精度，进一步提高了深度学习模型对重叠单元的定位精度。

2021

Contour Proposal Networks for Biomedical Instance Segmentation

code: https://github.com/FZJ-INM1-BDA/celldetection

大多数现有的方法都是直接处理单元格实例分割问题，而不依赖于额外的检测盒。由于缺乏对物体的整体理解，这些方法通常无法分离接触单元格。相比之下，基于盒子的实例分割通过结合目标检测和分割来解决这一问题。然而，现有的方法通常使用基于锚盒的检测器，由于类不平衡问题，导致实例分割性能较差。本文提出了一种新的基于盒子的单元格实例分割方法。特别是，我们首先通过关键点检测来检测细胞的五个预定义点。然后，我们根据一个关键点图对这些点进行分组，然后提取每个单元格的边界框。最后，对边界框内的特征图进行单元格分割。我们在两个具有不同对象形状的单元数据集上验证了我们的方法，并实证证明了我们的方法与其他实例分割技术相比的优越性。

医学影像分割论文合集相关推荐

【论文合集】2022年10月医学影像期刊论文合集
★ 本月IEEE Transactions on Medical Imaging(1区 top if 11.037) 共32篇, Medical Image Analysis(1区 top if 13 ...
【论文合集】2022年11月医学影像期刊论文合集
★ 本月IEEE Transactions on Medical Imaging(1区 top if 11.037) 共41篇, Medical Image Analysis(1区 top if 13 ...
【论文合集】2022年12月医学影像期刊论文合集
★ 本月IEEE Transactions on Medical Imaging(1区 top if 11.037) 共41篇, 本月无MIA. " 标题高频词汇 ('learning', ...
nnU-Net医学影像分割论文，可自动调参，适应所有数据集
源码:https://github.com/MIC-DKFZ/nnunet 近日,一篇来自德国癌症研究中心.海德堡大学以及海德堡大学医院研究人员的名为nnU-Net的医学影像分割论文引起了广泛关注. ...
2021医学影像分割论文：MSGSE-Net：用于皮层下脑结构分割的多尺度引导压缩和提取网络
今天与大家分享一篇关于医学影像分割的论文. **2021年影响因子/JCR分区:**5.719/Q1 论文链接:https://www.sciencedirect.com/science/articl ...
[论文笔记]彻底讲透U-net医学影像分割-小样本
U-net原文 <2015_Ronneberger_Cite=49316_U-net: Convolutional networks for biomedical image segmentat ...
基于 U-Net 的医学影像分割算法综述
来源:UNknown知识库转载自新机器视觉仅做学术分享,若侵权,请联系删文 ▍一.医学图像分割简介医学影像分割是医学影像分析中的重要领域,也是计算机辅助诊断.监视.干预和治疗所必需的一环,其关键 ...
基于Python Unet的医学影像分割系统源码，含皮肤病的数据及皮肤病分割的模型，用户输入图像，模型可以自动分割去皮肤病的区域
手把手教你用Unet做医学图像分割我们用Unet来做医学图像分割.我们将会以皮肤病的数据作为示范,训练一个皮肤病分割的模型出来,用户输入图像,模型可以自动分割去皮肤病的区域和正常的区域.废话不多说, ...
基于FCN，U-Net的深度学习医学影像分割算法（细胞分割算法）以及传统算法分析
本博文主要分析了基于传统计算机视觉的细胞分割算法和基于深度学习的细胞分割算法.主要针对医学影像分割算法.包括了FCN全卷积网络的细胞分割效果,U-Net细胞分割效果.查阅了采用深度学习分割医学影像的几 ...

医学影像分割论文合集