coding!!!
本文提出CoraNet模型，通过保守-激进模块实现基于不一致性感知的不确定性估计，采用分离自训练策略分别处理确定和不确定区域。在CT胰腺、MR心内膜等多类医学图像分割任务中，该方法显著优于现有技术，为半监督分割提供了新思路。
本文提出NPDG方法，通过可微风格扰动模块动态模拟域变化，结合一元和二元滤波器敏感性分析，剪枝对域偏移敏感的滤波器/注意力头。该方法在CNN和Transformer架构上均能提升分割模型的泛化能力，同时降低计算成本，在多个数据集上达到最优性能。
提出基于条件实例归一化的跨模态医学图像分割框架，使用单一条件模型适配多种模态输入，无需配准图像，在心脏分割任务中显著提升分割精度，最高Dice准确率提升6.87%。
本文提出BSFA-F框架，通过模态无差异特征表示和双向逐步对齐策略，实现多模态医学图像的单阶段配准与融合，解决了传统方法中模态差异和变形场预测不准确的问题，在多个数据集上验证了其优越性能。
提出Mirror U-Net模型，结合多模态分解和多任务学习，通过模态特定解码器和共享表示，在PET/CT肿瘤分割中实现最先进性能，并在脑肿瘤数据集上验证其泛化能力。
本文提出MsgFusion方法，通过双分支网络分别处理MR图像的频域特征和PET/SPECT/CT图像的色彩特征，结合医学语义信息指导图像融合。实验表明该方法在脑部疾病诊断中优于现有方法，并获得临床医生认可。
本文提出基于增强过滤伪标签的无监督域适应方法，通过跨域数据增强生成双域训练集，结合图像级和像素级加权策略筛选可靠伪标签，在三个医学图像数据集上超越十种先进方法，部分结果优于全监督学习。
本文提出Rolling-Unet模型，通过R-MLP模块和Lo2块有效融合局部特征与长距离依赖关系，在保持低计算复杂度的同时，在多个医学图像分割数据集上达到最优性能。
最新评论
学无止境
