醫療影像分割

Logga in

insikt - 醫療影像分割

本文提出了一種名為 DFQ-SAM 的無數據量化框架,能夠在不訪問任何原始數據的情況下,有效壓縮和部署 SAM 模型,從而實現安全、快速和個性化的邊緣醫療服務。

提出一種名為PASS的測試時適應框架,通過聯合學習兩種類型的提示(輸入空間提示和語義感知提示)來同時減輕樣式偏移和形狀不一致的問題,以提高醫療影像分割的性能。

本文提出了一種創新的自動內視鏡息肉分割方法,通過自我增強語義模組,可以有效地獲取息肉的上下文信息,從而大幅提升分割性能。

合成數據的大小和邊界定義精度對胰腺腫瘤分割模型的性能有重大影響。選擇合適的合成腫瘤大小組合和生成精確的腫瘤邊界可以顯著提高分割模型的準確性。

本文提出了一種新的混合CNN-Transformer網路BRAU-Net++，能夠有效地捕捉醫療影像的局部和全局語義信息,並大幅降低計算複雜度。

本文提出了一種名為多通道條件去噪擴散模型(MCDDPM)的方法,通過整合多通道信息和強大的條件機制來提高去噪擴散概率模型(DDPM)及其變體在腦部MRI掃描重建的準確性和真實性,從而實現精確的異常區域定位。

本文提出一種輕量級的提示學習模組,可以直接從圖像嵌入中生成相關的提示嵌入,從而自動化基於提示的基礎分割模型MedSAM。該方法只需要少量的弱標註樣本(緊密邊界框)即可實現對特定區域的有效分割,大幅降低了開發專門分割模型的成本。

利用 SAM 模型生成的偽標籤,可以訓練出與完全監督模型性能相當的分割模型。

提出了一種新的全局醫療SAM適配器(GMed-SA),能夠全局地調整SAM的參數,以更好地適應醫療影像的特徵和分割任務的需求。並將GMed-SA與Med-SA相結合,提出了一種全局-局部醫療SAM適配器(GLMed-SA),同時在全局和局部上適應SAM,進一步提高了分割的準確性和效率。

使用解剖先驗資訊可以提高女性患者的分割性能,並減少分割模型中的性別偏差,尤其是在腹部區域。

Produkter

Resurser