本文介绍了一种学习和检测3D形状的独特区域的新方法。与之前需要标记数据的作品不同,我们的方法是不受监督的。我们对从3D形状采样的点集进行分析,并在深度神经网络中进行无监督的形状聚类任务,以学习局部和全局特征,以区分相对于给定形状集的形状。为了使网络以无人监督的方式学习,我们设计了基于聚类的非参数softmax分类器,其具有形状的迭代聚类,以及用于增强特征嵌入质量和稳定学习过程的适应的对比损失。到那时,我们鼓励网络学习输入形状的点独特性。我们广泛地评估了我们方法的各个方面,并展示了它在3D场景中的独特引导形状检索,采样和视图选择的应用。
translated by 谷歌翻译
本文通过最大化本地和全局图像上下文在显着对象内,周围和之外的集成,提出了一种新的深度神经网络设计。我们的关键思想是在整个特征映射上自适应地传播和聚合具有可变衰减的图像上下文。为实现这一目标,我们设计了空间衰减上下文(SAC)模块,以便根据不同的衰减因子反复转换和聚合上下文特征,然后专注地学习权重以自适应地集成聚合的上下文特征。通过对模块进行深层次处理以处理深层网络(即SAC-Net)中的各个层,我们可以端到端地训练网络并优化用于检测显着对象的上下文特征。与22种最先进的方法相比,实验结果表明,我们的方法在六种常见的基准数据上,无论是在数量上还是在视觉上都优于所有人。
translated by 谷歌翻译
本文提出了一种新的无监督域自适应框架,称为协同图像和特征自适应(SIFA),以有效地解决域移位的问题。在最近的深度学习研究中,领域适应已经成为一个重要的热点,目的是在将神经网络应用于新的测试领域时恢复性能退化。我们提出的SIFA是一个优雅的学习图表,它从图像和特征的角度展示了协同融合的适应性。特别是,同时转换跨域的图像外观并增强提取的特征对于分割任务的域不变性。两个视角共享特征编码器层,以便在端到端学习过程中掌握它们的相互利益。在不使用目标域的任何注释的情况下,我们的统一模型的学习是由对抗性损失引导的,并且从各个方面采用了多个鉴别器。我们已经通过对心脏结构的模态医学图像分割的挑战性应用广泛地验证了我们的方法。实验结果表明,我们的SIFA模型将性能从17.2%恢复到73.0%,并且通过显着的优势超越了最先进的方法。
translated by 谷歌翻译
在这项工作中,我们报告了结合IEEE国际生物医学成像研讨会(ISBI)2016和国际医学影像计算机辅助干预会议(MICCAI)2017年组织的肝肿瘤分割基准(LITS)的设置和结果。将24种有效的最先进的肝脏和肝脏肿瘤分段算法应用于一组131个计算机断层扫描(CT)体积,具有不同类型的肿瘤对比度水平(高强度/低强度),组织异常(转移瘤)大小和不同程度的病变。已提交的算法已在70个未公开的卷上进行了测试。该数据集是与七家医院和研究机构合作创建的,由三位独立的放射科医师手动审查。我们发现没有一种算法对肝脏和肿瘤表现最佳。最佳肝脏分割算法的Dice评分为0.96(MICCAI),而对于肿瘤分割,最佳算法评估为0.67(ISBI)和0.70(MICCAI)。 LITS图像数据和手动注释继续通过在线评估系统公开提供,作为持续的基准测试资源。
translated by 谷歌翻译
深度卷积网络已经证明了各种医学图像计算任务的最新表现。利用来自不同模态的图像进行相同的分析任务具有临床优势。然而,深度模型对具有不同分布的测试数据的泛化能力仍然是一个主要挑战。在本文中,我们提出了PnPAdaNet(即插即用对抗域适应网络),用于在医学图像的不同模态之间分割网络,例如,MRI和CT。我们建议通过以无监督的方式对齐源域和目标域的特征空间来解决重要的域移位。具体地,域适配模块灵活地替换源网络的早期编码器层,并且域之间共享更高层。具有对抗性学习,我们建立了两个鉴别器,其输入分别是多级特征和预测的分割掩模。我们已经在非配对MRI和CT中对心脏结构分割的域适应方法进行了验证。综合消融研究的实验结果证明了我们提出的PnP-AdaNet的优良功效。此外,我们为心脏数据集引入了一个新的基于无监督跨模态域适应任务的基准。我们将公开提供我们的代码和数据库,旨在促进未来对医学成像这一具有挑战性且重要的研究课题的研究。
translated by 谷歌翻译
在MR容积中分割左心房在促进心房颤动的治疗方面具有很大的潜力。然而,组织之间不同的解剖结构,伪影和低对比度阻碍了手动和自动解决方案的进步。在本文中,我们提出了一个全自动框架,用于在钆增强的MR体积中分割中庭。左心房区域首先由检测模块自动定位。然后,我们的框架利用定制的3D深度神经网络来充分探索区域中的空间依赖性以进行分割。为了减轻低效率和潜在过度拟合的风险,我们通过转移学习和深度监督策略来增强我们的深层网络。我们的网络设计的主要贡献在于复合损失函数,以对抗边界模糊和硬实例。我们首先采用重叠损失来鼓励网络减少前景和背景之间的重叠,并对边界的预测进行调整。然后,我们提出了一种新的Focal Positiveloss来指导体素特定阈值的学习,并强调前景以提高分类灵敏度。通过递归训练方案获得进一步的改进。通过消融研究,所有引入的模块都证明是有效的。所提出的框架在20个测试体积上将左心房与肺静脉分割后达到92.24的平均骰子。
translated by 谷歌翻译
在MR容积中准确地分割左心房可有益于心房颤动的消融过程。传统的自动化解决方案通常会使劳动密集型手动标签的专家失败。在本文中,我们提出了一种基于深度神经网络的解决方案,用于钆增强MR容量的自动左心房分割,具有良好的性能。我们首先认为,对于这种体积分割任务,2Dfashion中的网络在时间效率和分割准确性方面比具有3D时尚的网络具有很大的优势。考虑到高度变化的心房形状和相关肺静脉的分支结构,我们建议采用金字塔模块来收集多尺度特征图中的语义线索,以进行细粒度分割。此外,为了促进我们的网络对硬性示例进行分类,我们提出了一种在线硬性负面示例挖掘策略,用于识别具有低分类能力的切片中的体素并惩罚对它们的错误预测。最后,我们设计了竞争性培训方案,以进一步提高网络的泛化能力。经过20个测试量的广泛验证,我们提出的框架在分割左心房和肺静脉时平均骰子为92.83%。
translated by 谷歌翻译
皮肤镜图像上的自动皮肤病变分割是计算机辅助诊断黑素瘤的重要组成部分。最近,已经提出了许多用于自动皮肤损伤分割的完全监督的基于深度学习的方法。然而,这些方法需要来自经验丰富的皮肤科医生的大量像素注释,这非常昂贵且耗时。在本文中,我们通过利用标记和未标记的数据提出了一种新的半监督方法forskin病变分割。通过仅标记输入的共同监督损失和标记和未标记数据的正则化损失的加权组合来优化网络。在本文中,我们提出了一种新的半监督方法forskin病变分割,其中网络通过仅标记输入的共同监督损失和标记和未标记数据的混合损失的加权组合来优化。我们的方法鼓励使用不同规则化下的网络训练的输出对未标记图像进行一致的预测,以便它可以利用未标记的数据。为了利用未标记的数据,我们的方法鼓励对不同正则化的相同输入的训练网络进行一致的预测。针对半监督分割问题,我们通过在自我集成模型中引入包括旋转和翻转在内的变换,增强了正则化对像素级预测的影响。我们的方法只有300个标记的训练样本,在国际皮肤成像协作(ISIC)2017皮肤病变分割挑战的基准上创下了新记录。这样的结果明显超过了用2000标记数据训练的完全监督的现有技术。
translated by 谷歌翻译
从3D扫描获得的点云通常是稀疏的,不规则的和嘈杂的,并且需要被合并。在本文中,我们提出了第一个基于学习的边缘感知技术,以促进点云的整合。我们设计我们的网络来处理分组在本地补丁中的点,并训练它以学习和帮助巩固点,故意为边缘。为此,我们制定了一个回归组件,以同时恢复上采样特征的3D点坐标和点到边距离,以及具有感知功能的关节损失函数,以直接最小化从输出点到3D网格和边缘的距离。与以前的基于神经网络的工作相比,我们的整合是边缘感知的。在综合过程中,我们的网络可以检测到检测到的锐边,并实现更精确的3D重建。此外,我们在虚拟扫描点云上训练我们的网络,证明了我们的方法在合成和实际点云上的性能,提供了各种表面重建结果,以及展示了我们的方法如何超越了最先进的技术。
translated by 谷歌翻译
皮肤镜图像中的自动病变分割是计算机辅助诊断黑素瘤的必要步骤。皮肤镜检查图像表现出旋转和反射对称性,然而,这种几何特性在基于现有技术的基于卷积神经网络的皮肤损伤分割方法中尚未被编码。在本文中,我们通过扩展最近的grouprotation等效网络〜\ cite {cohen2016group},提出了一个深度监督的皮肤病变分割旋转等变网络。具体来说,我们提出了G-upampling和G-projection操作,以使旋转等效分类网络适应我们的皮肤病变分割问题。为了进一步提高性能,我们将深度监督方案集成到我们提出的旋转等变分段架构中。整个框架与输入变换等效,包括旋转和反射,这提高了网络效率,从而有助于分割性能。我们在ISIC 2017皮肤病变挑战数据集上广泛评估我们的方法。实验结果表明,我们的旋转等效网络在不同的实验设置下始终优于具有相同模型复杂度的常规对应物。我们的最佳模型在测试数据集上达到了77.23 \%(JA),超越了最先进的挑战方法,并进一步证明了我们提出的深度监督旋转等变分割网络的有效性。我们的最佳模型也优于最先进的挑战性方法,进一步证明了我们提出的深度监督旋转等效分割网络的有效性。
translated by 谷歌翻译