TMI 2024 | 基于生成分布先验的医学图像关键点定位

最新推荐文章于 2025-09-03 22:30:01 发布
最新推荐文章于 2025-09-03 22:30:01 发布
阅读量78 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 医学图像处理论文解读 文章标签： TMI 医学图像顶刊 医学图像处理 论文解读 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/145401553

论文信息

题目：Landmark Localization From Medical Images With Generative Distribution Prior
基于生成分布先验的医学图像关键点定位
作者：Zixun Huang, Rui Zhao, Frank H. F. Leung, Sunetra Banerjee, Kin-Man Lam, Yong-Ping Zheng, and Sai Ho Ling
源码链接：https://github.com/jacksonhzx95/NFDP

论文创新点

  1. 提出了一种新颖的框架，从回归的角度解决关键点定位问题，而无需问题特定的设计。具体而言，将结构分布知识作为可学习的惩罚函数引入到所提出的框架中，以提高关键点定位效果，同时对基线框架的额外计算负担最小化。

了解本专栏 订阅专栏 解锁全文
TMI 2024 | HiDiff：用于医学图像分割的混合扩散框架
小白学视觉
06-29 58
医学图像分割随着深度学习（DL）技术的快速发展取得了显著进展。现有的基于DL的分割模型通常是判别式的，即它们旨在学习从输入图像到分割掩膜的映射。然而，这些判别式方法忽略了底层数据分布和类别的内在特征，导致特征空间不稳定。在此工作中，我们提出通过生成模型的底层数据分布知识来补充判别式分割方法。为此，我们提出了一个新颖的混合扩散框架，用于医学图像分割，称为HiDiff，它可以融合现有的判别式分割模型和新的生成扩散模型的优势。HiDiff包含两个关键组件：判别式分割器和扩散细化器。
TMI 2024 | 基于分布重新校准的多实例学习与Transformer用于全切片图像分类
小白学视觉
03-13 114
分布重新校准策略：本文首次引入了一种分布重新校准策略，通过最大实例（关键实例）特征的统计信息来调整WSI包（实例）的特征分布。特征幅度损失：为了强制类别（包）分离，本文引入了特征幅度损失，假设正包的特征幅度大于负包。生成过程：本文引入了一种生成过程，利用向量量化（VQ）来提高实例的判别能力，即VQ有助于为改进分类建模包的潜在因素。位置编码模块（PEM）：为了建模空间和上下文信息，本文采用了一个位置编码模块（PEM），并通过多头自注意力（PMSA）进行基于Transformer的池化。在数字病理学中，全切片图
医学影像顶刊TMI速递|2024年01月(下)
winkingzzx的博客
03-24 2356
医学影像顶刊TMI/MIA速递专栏旨在为读者提供最新的前沿研究，以便于快速了解和泛读。 ● TMI：IEEE Transactions on Medical Imaging. ● IF/JCR/分区：10.6/Q1/中科院一区 ● 本月共计47篇；分上中下期。本期共计16篇。 ● 关注公众号，回复【TMI-202401】获取本月论文。 ● 速递内容：文章标题（英文标题、中文标题、关键词标签）；研究背景（问题背景、过去方法、研究动机）；研究方法（理论背景、技术路线）；研究结论（实验设置、实验结果、工作局限）。
TMI 2024 | 学习鲁棒形状正则化以实现可泛化的医学图像分割
小白学视觉
04-09 98
可泛化的医学图像分割使模型能够在领域偏移问题下泛化到未见的目标领域。最近进展表明，分割目标的形状因其在跨领域的高一致性和鲁棒性，可以作为可靠的正则化来帮助模型获得更好的跨领域性能，其中现有方法通常寻求一个共享框架来同时渲染分割图和形状先验。然而，由于现代深度神经网络固有的纹理和风格偏好，提取的形状的边缘或轮廓将不可避免地受到医学图像在领域偏移下的特定领域纹理和风格干扰的影响。为了解决这一局限性，作者设计了一个新颖的框架，将形状正则化和分割图分离。
TMI 2024 | 基于扩散模型的脑图像反事实生成与异常检测
小白学视觉
03-10 246
病理区域的分割掩码在许多医学应用中非常有用，例如脑肿瘤和卒中的管理。此外，健康的反事实图像可以用于增强放射科医生的训练文件，并提高分割模型的可解释性。在本研究中，我们提出了一种弱监督方法，用于生成病变图像的健康版本，并利用它来获取像素级的异常图。为此，我们首先使用ACAT生成一个大致覆盖病理区域的显著性图。然后，我们提出了一种技术，允许对这些区域进行有针对性的修改，同时保留图像的其余部分。
TMI 2025 | 基于显式形状先验的医学图像分割学习
小白学视觉
07-10 156
医学图像分割是医学图像分析和手术规划的一项基础任务。近年来，基于U-Net的网络在医学图像分割领域占据主导地位。然而，卷积神经网络（CNN）存在感受野有限的问题，难以对器官或肿瘤的长距离依赖关系进行建模。此外，这些模型严重依赖最终分割头的训练。现有的方法无法同时很好地解决上述局限性。因此，在本研究中，作者提出了一种新颖的形状先验模块（SPM），该模块能够明确引入形状先验，以提升基于U-Net模型的分割性能。明确的形状先验由全局和局部形状先验组成。前者具有粗略的形状表示，赋予网络对全局上下文进行建模的能力。
TMI 2024 | 基于去噪扩散概率模型的CT金属伪影减少
小白学视觉
03-07 222
金属物体的存在会导致CT投影测量数据损坏，进而在重建的CT图像中产生金属伪影。人工智能（AI）有望提供改进的解决方案来估计缺失的投影数据，以减少金属伪影（MAR），正如之前使用卷积神经网络（CNN）和生成对抗网络（GAN）所展示的那样。最近，去噪扩散概率模型（DDPM）在图像生成任务中显示出巨大的潜力，可能优于GAN。在本研究中，提出了一种基于DDPM的方法，用于修复缺失的投影数据，以改进MAR。该模型是无条件训练的，不依赖于金属物体的信息，这可能会增强其在不同类型金属植入物中的泛化能力。
TMI 2024 | CT通用分割模型的先验类别网络
小白学视觉
06-11 116
在计算机断层扫描（CT）图像中对解剖结构进行准确分割对于临床诊断、治疗规划和疾病监测至关重要。当前的深度学习分割方法受到数据规模和模型大小等因素的阻碍。受医生识别组织方式的启发，我们提出了一种新的方法，即先验类别网络（PCNet），通过利用不同解剖结构类别之间的先验知识来提升分割性能。我们的PCNet包含三个关键组件：先验类别提示（PCP）、层次类别系统（HCS）和层次类别损失（HCL）。PCP利用对比语言-图像预训练（CLIP）以及注意力模块，系统地定义了临床医生识别的解剖类别之间的关系。
TMI 2024 | PolarFormer: 一种基于Transformer的血管内OCT多病变分割方法
小白学视觉
05-23 73
尽管已有多种基于深度学习的方法被提出用于从血管内光学相干断层扫描（OCT）图像中提取单一类别的易损斑块，但由于缺乏公开的大规模多类别易损斑块标注的血管内OCT数据集，进一步的研究受到了限制。此外，由于斑块的不规则分布、独特的几何形状和模糊的边界，多类别易损斑块分割极具挑战性。现有方法未能充分解决易损斑块的几何特征和空间先验信息。为了解决这些问题，我们收集了一个包含70个回拉数据的数据集，并开发了一个名为PolarFormer的多类别易损斑块分割模型，该模型结合了易损斑块在空间分布上的先验知识。
Llama.cpp与CUDA Graph：深度学习推理框架的兼容性深度解析
reekyli的专栏
09-03 466
在追求极致推理性能的道路上，每一个CUDA特性都可能成为关键加速器，但并非所有框架都能立即跟上硬件发展的步伐。近年来，随着大语言模型（LLM）推理需求的爆炸式增长，开发者和研究人员不断寻求优化推理性能的新方法。NVIDIA的CUDA Graph作为一项重要的并行计算技术，能够显著减少内核启动开销和CPU参与，自然成为备受关注的优化手段。那么，作为流行的大模型推理框架，llama.cpp是否支持这一强大功能？——这个答案背后隐藏着复杂的技术权衡和架构决策。
深度学习篇---SGD+Momentum优化器
最新发布
道阻且长，行则将至。
09-03 266
SGD+Momentum（带动量的随机梯度下降）通过模拟物理惯性加速模型收敛，减少训练震荡。其核心原理是在参数更新时保留部分历史梯度方向（动量系数通常设为0.9），使优化过程在平坦区域加速、在噪声区域稳定。代码示例对比显示，在相同学习率下，带Momentum的模型损失下降更快、收敛更平稳，最终拟合效果更优。实际应用建议：初始采用lr=0.001+momentum=0.9组合，配合学习率调度器，适用于深层网络和噪声数据，但需注意过大的动量可能导致错过最优解。
PitVis-2023挑战赛：内镜下垂体瘤手术视频中的手术流程识别|文献速递-深度学习人工智能医疗图像
weixin_38594676的博客
09-01 663
Title题目PitVis-2023 challenge: Workflow recognition in videos of endoscopic pituitary surgeryPitVis-2023挑战赛：内镜下垂体瘤手术视频中的手术流程识别01文献速递介绍内镜视觉挑战赛与PitVis-2023挑战赛背景及核心内容 “内镜视觉（EndoVis）挑战赛”自2015年起开始举办，由医学图像计算与计算机辅助干预学会（MICCAI Society）主办（Maier-Hein 等人，2022）。该赛事涵盖一系
Day 41 简单CNN
z_reset的博客
08-31 938
知识回顾数据增强卷积神经网络定义的写法batch归一化：调整一个批次的分布，常用与图像数据特征图：只有卷积操作输出的才叫特征图调度器：直接修改基础学习率卷积操作常见流程如下：输入 → 卷积层 → Batch归一化层（可选） → 池化层 → 激活函数 → 下一层Flatten -> Dense (with Dropout，可选) -> Dense (Output)
医学图像配准的循环推理机|文献速递-深度学习人工智能医疗图像
weixin_38594676的博客
09-03 486
Title题目Recurrent inference machine for medical image registration医学图像配准的循环推理机01文献速递介绍医学图像配准相关研究内容翻译 医学图像配准是指在两幅或多幅医学图像间建立解剖学对应关系的过程，该技术在医学影像研究中应用广泛，涵盖影像特征融合（Haskins 等人，2020；Oliveira 与 Tavares，2014）、治疗方案制定（Staring 等人，2009；King 等人，2010；Byrne 等人，2022）以及患者纵向研究
深度学习篇---DenseNet网络结构
道阻且长，行则将至。
09-02 1113
本文详细介绍了如何在PyTorch中实现DenseNet-121网络。DenseNet的核心是"密集连接"机制，通过通道拼接使每一层都能直接访问前面所有层的特征。实现步骤包括：1)构建瓶颈层(Bottleneck)，使用1×1和3×3卷积控制计算量；2)创建Dense块，通过密集连接串联多个瓶颈层；3)设计过渡层(Transition)进行下采样和通道压缩；4)组合成完整网络，包含4个Dense块和过渡层；5)在CIFAR-10数据集上训练测试。
学习大模型，还有必要学习机器学习，深度学习和数学吗
Mamba的博客
08-30 1349
这是一个非常好的问题，也是很多初学者会有的困惑。可以把你的问题想象成：“现在有了先进的汽车制造厂，还有必要学习发动机原理、机械设计和材料科学吗？大模型（如GPT、LLaMA、Qwen等）是建立在和这些基础之上的最高层应用。它们是这些基础学科的集大成者。
【卷积神经网络】卷积神经网络的三大核心优势：稀疏交互、参数共享与等变表示
nmdbbzcl的博客
09-02 392
参数共享是指在一个模型的多个函数中使用相同的参数。在传统的神经网络中，当计算一层的输出时，权重矩阵的每一个元素只使用一次。作为参数共享的同义词，我们可以说一个网络含有绑定的权重(tied weights)。对于卷积，参数共享的特殊形式使得神经网络层具有对平移等变(equivariance)的性质。如果一个函数满足输入改变，输出也以同样的方式改变这一性质，我们就说它是等变的。特别地，如果函数f(x)与g(x)满足：我们就说f(x)对于变换g具有等变性。计算效率的显著提升。
【深度学习基础】卷积神经网络全面综述：原理、模型、应用与前景分析（试读）
nmdbbzcl的博客
09-02 159
卷积神经网络（Convolutional Neural Network, CNN）作为深度学习领域最具代表性的网络之一，在计算机视觉、自然语言处理等多个领域取得了令人瞩目的成就，吸引了学术界和工业界的广泛关注。现有综述主要专注于CNN在不同场景下的应用，缺乏从通用角度对CNN的全面分析，且未能覆盖近期提出的创新思想。本文旨在尽可能全面地介绍这一快速发展领域的新颖想法和前景展望。本综述不仅涵盖二维卷积，还深入探讨了一维和多维卷积的应用。
卷积神经网络CNN-part1-组成和构建
mahuliang321的博客
09-03 865
摘要：卷积神经网络(CNN)是处理图像数据的强大工具，利用平移不变性和局部性特征有效识别图像对象。CNN由卷积层、池化层和全连接层组成，其中卷积层通过核函数进行互相关运算，并采用填充(padding)和步幅(stride)参数控制特征提取。池化层(最大池化和平均池化)用于降低位置敏感性。实验代码展示了卷积和池化操作的具体实现，包括填充、步幅等关键参数设置效果。
基于生成对抗机制的双重医学图像隐写代码
05-11
好的，我现在需要处理用户关于基于生成对抗机制的双重医学图像隐写技术的查询。首先，我得明确用户的需求。他们想要相关资料或代码，特别是涉及生成对抗网络（GAN）、医学图像、隐写术以及双重隐写的实现。用户之前...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值