Deep Learning Based Instance Segmentation in 3D Biomedical Images Using Weak Annotation
University of Notre Dame（圣母大学）
三维图像中的实例分割是生物医学图像分析中的一项基本任务。虽然深度学习模型通常适用于2D实例分割，但3D实例分割仍然面临着严峻的挑战，例如由于3D生物医学图像中的各种注释困难而导致的训练数据不足。常见的3D注释方法（例如，全体素注释）导致标记足够的实例以训练深度学习3D实例分割模型的高工作量和成本。在本文中，我们提出了一种新的弱注释方法，用于在不使用完整体素掩码注释的情况下训练快速深度学习3D实例分割模型。我们的方法只需要3D边界框的所有实例和完整的体素注释的一小部分的实例，并使用一种新的两阶段的3D实例分割模型，分别利用这两种注释。我们在多个生物医学图像数据集上评估了我们的方法，实验结果表明：（1）在完整注释框和少量掩模的情况下，我们的方法可以实现与使用完整注释的最佳已知方法相似的性能，以及（2）在相似的注释时间下，我们的方法优于使用完整注释的最佳已知方法。
2018-06-28 cs.CV
U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation
Peter Munk Cardiac Centre, University Health Network（彼得·蒙克心脏中心，大学健康网络）；University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
针对生物医学图像分割中CNN和Transformer处理长距离依赖受限的问题，提出通用网络U-Mamba，通过混合CNN-SSM块结合局部特征提取与长距离依赖捕获能力，并具备自配置机制，在四项任务中均优于现有最先进方法。
2024-01-09 cs.CV cs.LG eess.IV
Non-local U-Net for Biomedical Image Segmentation
Texas A&M University（得克萨斯农工大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
深度学习在各种生物医学图像分割任务中显示出巨大的潜力。现有的模型通常基于U-Net，并依赖于具有堆叠的本地操作符的编码器-解码器架构来逐渐聚合远程信息。然而，仅使用本地操作员限制了效率和有效性。在这项工作中，我们提出了非局部U-网，它配备了灵活的全球聚合块，生物医学图像分割。这些块可以作为大小保持过程以及下采样和上采样层插入到U-Net中。我们在3D多模态等信号婴儿脑MR图像分割任务上进行了深入的实验，以评估非局部U-网。结果表明，我们提出的模型实现了最佳性能与更少的参数和更快的计算。
2020-02-18 cs.CV cs.LG stat.AP
Beyond Accuracy: Uncertainty-Guided Boundary Refinement for Reliable Biomedical Image Segmentation
Heidelberg University（海德堡大学）
针对生物医学图像分割边界不可靠问题，提出不确定性引导的RABR-Net两阶段框架，通过门控残差细化器修正不确定边界像素，在血涂片数据集上显著提升边界Dice和HD95。
2026-09-14 cs.CV cs.LG
SPDA: Superpixel-based Data Augmentation for Biomedical Image Segmentation
University of Notre Dame（圣母大学）；Pennsylvania State University（宾夕法尼亚州立大学）
监督训练深度神经网络旨在“教”网络模仿人类视觉感知，由训练数据中的图像和标签对表示。超像素化（SP）图像对人类来说是视觉上可感知的，但是常规训练的深度学习模型在处理SP图像时通常表现不佳。为了更好地模仿人类视觉感知，我们认为深度学习模型不仅能够感知原始图像，而且能够感知SP图像。在本文中，我们提出了一种新的基于超像素的数据增强（SPDA）方法，用于训练生物医学图像分割的深度学习模型。我们的方法将超像素生成方案应用于所有原始训练图像以生成超像素化图像。然后将由此获得的SP图像与原始训练图像联合使用以训练深度学习模型。我们在四个生物医学图像数据集上进行的SPDA实验表明，SPDA是有效的，可以持续提高最先进的全卷积网络在2D和3D图像中进行生物医学图像分割的性能。进一步的研究也表明，SPDA可以实际上减少泛化差距。
2019-02-28 cs.AI cs.CV cs.LG
A comparative study of semi- and self-supervised semantic segmentation of biomedical microscopy data
TU Dresden（德累斯顿工业大学）；AICURA medical GmbH（AICURA医疗有限公司）；National Center of Tumor Diseases (NCT)（国家肿瘤疾病中心）；Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所）
近年来，卷积神经网络（CNN）已成为生物医学图像分析的最先进方法。然而，这些网络通常以监督的方式训练，需要大量的标记训练数据。这些标记的数据集通常难以在生物医学领域获得。在这项工作中，我们验证了使用较少标签训练CNN的替代方法，用于生物医学图像分割。我们采用两种半监督和自监督图像分类方法，并分析其性能的生物医学显微图像的语义分割。
2020-11-23 cs.AI cs.CV stat.AP
Non-Local Context Encoder: Robust Biomedical Image Segmentation against Adversarial Attacks
Sun Yat-sen University（中山大学）；The University of Hong Kong（香港大学）；Deepwise AI Lab（深智云人工智能实验室）
基于深度卷积神经网络（CNN）的生物医学图像分割的研究进展引起了人们的广泛关注。然而，它对对抗性样本的脆弱性不容忽视。本文是第一篇发现所有基于CNN的最先进的生物医学图像分割模型对对抗性扰动敏感的论文。这限制了这些方法在安全关键的生物医学领域的部署。在本文中，我们发现，在生物医学图像的全局空间依赖性和全局上下文信息可以用来抵御对抗攻击。为此，提出了非局部上下文编码器（NLCE）来建模短期和长期的空间依赖性和编码的全局上下文，以加强功能激活通道明智的注意。NLCE模块增强了非局部上下文编码网络（NLCEN）的鲁棒性和准确性，NLCEN使用NLCE模块学习鲁棒的增强金字塔特征表示，然后将不同级别的信息集成在一起。在肺部和皮肤病变分割数据集上的实验表明，NLCEN在对抗对抗攻击方面优于任何其他最先进的生物医学图像分割方法。此外，NLCE模块可以应用于提高其他基于CNN的生物医学图像分割方法的鲁棒性。
2019-04-27 cs.CV eess.IV
BoxNet: Deep Learning Based Biomedical Image Segmentation Using Boxes Only Annotation
University of Notre Dame（圣母大学）；The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）
近年来，深度学习（DL）方法已成为生物医学图像分割的有力工具。然而，通常需要高注释工作量和成本才能为DL模型获取足够的生物医学训练数据。为了减轻人工标注的负担，在本文中，我们提出了一种新的弱监督DL方法的生物医学图像分割仅使用框注释。首先，我们开发了一种方法，结合图搜索（GS）和DL从框注释生成精细的对象掩模，其中DL使用框注释来计算GS的粗略分割，然后GS被应用于定位最佳对象边界。在掩码生成过程中，我们仔细地利用信息框注释过滤掉潜在的错误，然后使用生成的掩码训练一个准确的DL分割网络。对组织学图像中的腺体分割、超声图像中的淋巴结分割和电子显微镜图像中的真菌分割进行的大量实验表明，我们的方法比最著名的最先进的弱监督DL方法具有更好的性能，并且能够实现（1）与完全监督DL方法相比几乎相同的准确度，（2）在相似的注释时间下显著更好的结果，以及（3）在各种应用中的鲁棒性能。
2018-06-02 cs.CV
Convolution Neural Networks for Semantic Segmentation: Application to Small Datasets of Biomedical Images
TECHNISCHE UNIVERSITÄT MÜNCHEN（慕尼黑工业大学）
本文研究了卷积神经网络（CNN）产生的分割结果在应用于小型生物医学数据集时如何彼此不同。我们使用不同的架构，参数和超参数，试图找到更好的配置来完成我们的任务，并试图找出潜在的错误。两个工作数据集来自生物医学研究领域。我们对这两种网络进行了大量的实验，得到的结果表明，某些实验条件和网络参数优于其他条件。所有测试结果都在表中给出，为了更好地说明，还显示了一些选定的结果图和分割预测。
2020-11-01 cs.CV eess.IV
Cascade Decoder: A Universal Decoding Method for Biomedical Image Segmentation
University of Notre Dame（圣母大学）；Allen Institute for Cell Science（艾伦细胞科学研究所）
编码器-解码器架构是用于生物医学图像分割的主流深度学习模型。编码器完全压缩输入并生成编码特征，然后解码器使用编码特征生成密集预测。然而，解码器在这样的架构中仍然未被充分开发。在本文中，我们全面研究了最先进的编码器-解码器架构，并提出了一种新的通用解码器，称为级联解码器，以提高语义分割的准确性。我们的级联解码器可以嵌入到现有的网络中，并以端到端的方式进行训练。级联解码器结构旨在对分层编码的特征进行更有效的解码，并且与已知的解码器相比与普通编码器更兼容。我们用级联解码器替换了最先进模型的解码器，用于几个具有挑战性的生物医学图像分割任务，所取得的显著改进证明了我们新解码方法的有效性。
2019-01-15 cs.CV
Dynamic Linear Transformer for 3D Biomedical Image Segmentation
Northwestern University（西北大学）
基于变换器的神经网络在许多生物医学图像分割任务上已经超越了有前途的性能，这是由于自注意力机制的更好的全局信息建模。然而，大多数方法仍然是针对2D医学图像而设计的，而忽略了基本的3D体积信息。基于3D变换的分割方法的主要挑战是由自注意力机制\cite{vaswani2017attention}引入的二次复杂度。在本文中，我们提出了一种新的Transformer架构的三维医学图像分割使用的编码器-解码器风格的结构与线性复杂度。此外，我们新引入了一个动态令牌的概念，以进一步减少令牌数量的自我注意力计算。利用全局信息建模，我们提供了不同层次阶段的不确定性地图。我们在多个具有挑战性的CT胰腺分割数据集上评估了该方法。我们有希望的结果表明，我们的新的3D变换为基础的分割器可以提供有前途的高度可行的分割性能和准确的不确定性量化使用单一的注释。代码可从https://github.com/freshman97/LinTransUNet获得。
2023-02-01 cs.CV
Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation
University of Notre Dame（圣母大学）；Harper Cancer Research Institute（哈珀癌症研究所）
图像分割是生物医学图像分析中的一个基本问题。深度学习的最新进展在许多生物医学图像分割基准上取得了令人鼓舞的结果。然而，由于生物医学图像的变化很大（不同的模态、图像设置、对象、噪声等），要在新的应用程序中使用深度学习，通常需要一组新的训练数据。这可能会导致大量的注释工作和成本，因为只有生物医学专家才能有效地注释，并且图像中通常有太多的实例（例如，单元格）进行注释。在本文中，我们旨在解决以下问题：通过有限的努力（例如，时间）进行注释，为了获得最佳性能，应该注释哪些实例？我们提出了一个深度主动学习框架，该框架结合了全卷积网络（FCN）和主动学习，通过对最有效的注释区域提出明智的建议来显着减少注释工作。我们利用FCN提供的不确定性和相似性信息，并制定了一个广义版本的最大集合覆盖问题，以确定最具代表性和不确定的区域进行注释。使用2015年MICCAI腺体挑战数据集和淋巴结超声图像分割数据集的广泛实验表明，使用我们的方法的注释建议，仅使用50%的训练数据就可以实现最先进的分割性能。
2017-06-15 cs.CV
CC-Net: Image Complexity Guided Network Compression for Biomedical Image Segmentation
University of Notre Dame（圣母大学）
用于生物医学图像分析的卷积神经网络（CNN）通常具有非常大的尺寸，导致高存储需求和高操作延迟。为特定成像应用搜索基础CNN的可接受压缩表示通常涉及一系列耗时的训练/验证实验，以在网络大小和准确性之间实现良好的折衷。为了解决这一挑战，我们提出了CC-Net，一种新的图像复杂度引导的CNN压缩方案，用于生物医学图像分割。给定一个CNN模型，CC-Net根据从训练数据计算的平均图像复杂度预测不同大小网络的最终精度。然后，它选择一个乘法因子，以产生具有可接受的网络精度和大小的期望网络。实验表明，CC-Net可以有效地生成压缩的分割网络，保持高达95%的基本网络分割精度，并且在最佳情况下仅利用全尺寸网络的0.1%的可训练参数。
2019-09-08 cs.CV
Biomedical SAM 2: Segment Anything in Biomedical Images and Videos
University of Georgia（佐治亚大学）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Lehigh University（理海大学）；Northeastern University（东北大学）；University of Notre Dame（圣母大学）
针对SAM-2在生物医学分割场景的局限性，研究团队基于SAM-2优化开发增强型基础模型BioSAM-2，经多场景评估验证其性能超越现有前沿基础模型，可匹敌甚至超过专用医学分割模型。
2024-08-17 cs.CV
Unsupervised Domain Adaptation Network with Category-Centric Prototype Aligner for Biomedical Image Segmentation
School of Medical Imaging, Xuzhou Medical University（徐州医科大学医学影像学院）；The Hong Kong Polytechnic University（香港理工大学）
随着深度学习在生物医学图像分割中的广泛成功，域偏移成为一个关键且具有挑战性的问题，因为当部署到具有异构特征的不可见数据时，两个域之间的差距会严重影响模型性能。为了缓解这个问题，我们提出了一种新的无监督领域自适应网络，用于将从标记的源域学习到未标记的目标域的模型推广到跨模态生物医学图像分割。具体来说，我们的方法包括两个关键模块，一个条件域对齐器~（CDD）和一个以类别为中心的原型对齐器~（CCPA）。CDD是在分类器任务中从条件域对抗网络扩展而来的，在处理复杂的跨模态生物医学图像时是有效和鲁棒的。CCPA是在跨领域目标检测中基于图的原型对齐机制的基础上改进而来的，它通过一种精细的原型表示来挖掘精确的实例级特征。此外，它还可以通过基于熵的损失来解决类不平衡的负面影响。在心脏子结构分割任务的公共基准上进行的大量实验表明，我们的方法显着提高了目标域的性能。
2021-03-03 cs.CV
ACE-Net: Biomedical Image Segmentation with Augmented Contracting and Expansive Paths
Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Science and Technology of China（中国科学技术大学）
如今，类U形网的FCN在各种生物医学图像分割应用中占主导地位，并且在很大程度上由于其优雅的架构而获得有前途的性能，例如，对称收缩和膨胀路径以及横向跳跃连接。它仍然是一个研究方向，设计新的架构，以进一步有利于分割。在本文中，我们开发了一个ACE网络，旨在提高功能的表示和利用，通过增加收缩和扩张路径。特别是，我们通过最近提出的先进技术，包括ASPP，密集连接和深度监督机制，以及新颖的连接，如直接将原始图像连接到扩展侧，来增强路径。通过这些增强，ACE-net可以利用来自多个源、尺度和接收场的特征进行分割，同时仍然保持相对简单的架构。两个典型的生物医学分割任务的实验验证了它的有效性，在这两个任务中获得了非常有竞争力的结果，而ACE网络仍然运行快速的推理。
2019-08-23 cs.CV
A New Ensemble Learning Framework for 3D Biomedical Image Segmentation
University of Notre Dame（圣母大学）
三维图像分割在生物医学图像分析中起着重要的作用。许多2D和3D深度学习模型在3D生物医学图像数据集上实现了最先进的分割性能。然而，2D和3D模型有自己的优点和缺点，通过将它们统一在一起，可以实现更准确的结果。在本文中，我们提出了一个新的集成学习框架的三维生物医学图像分割，结合了2D和3D模型的优点。首先，我们开发了一个完全基于卷积网络的元学习器，以学习如何改进2D和3D模型的结果（基本学习器）。然后，为了最大限度地减少我们复杂的元学习器的过度拟合，我们设计了一种新的训练方法，该方法使用基础学习器的结果作为多个版本的“地面真理”。此外，由于我们新的元学习者训练方案不依赖于手动注释，因此可以利用丰富的未标记3D图像数据来进一步改进模型。在两个公共数据集（HVSMR 2016 Challenge数据集和小鼠梨状皮质数据集）上进行的广泛实验表明，我们的方法在全监督、半监督和转换设置下是有效的，并且比最先进的图像分割方法具有更好的性能。
2018-12-10 cs.CV
Hierarchical Random Walker Segmentation for Large Volumetric Biomedical Images
International Max Planck Research School - Molecular Biomedicine（国际马克斯·普朗克分子生物医学研究学院）
图像分割的随机游走方法是半自动图像分割的常用工具，尤其在生物医学领域。然而，它的线性渐近运行时间和内存要求，使应用程序的3D数据集的大小增加不切实际。我们提出了一个层次化的框架，据我们所知，是第一次尝试克服这些限制的随机步行算法，实现了次线性运行时间和恒定的内存复杂度。该框架的目标是-而不是与基线方法相比提高分割质量-使核心数据集上的交互式分割成为可能。在合成数据和CT-ORG数据集上对该方法进行了定量评估，其中确认了算法运行时间的预期改进，同时保持了高分割质量。增量（即，交互更新）运行时间被证明在标准PC上以秒为单位，即使对于大小为数百GB的卷也是如此。在一个小的案例研究中，证明了当前生物医学研究对大现实世界的适用性。所提出的方法的实现在广泛使用的体渲染和处理软件Voreen（https：//www.uni-muenster.de/Voreen/）的版本5.2中公开可用。
2022-08-23 cs.CV
Machine Learning Techniques for Biomedical Image Segmentation: An Overview of Technical Aspects and Introduction to State-of-Art Applications
Stanford University（斯坦福大学）
近年来，在开发用于医学和自然图像分割的更准确和更有效的机器学习算法方面取得了重大进展。在这篇综述文章中，我们强调了机器学习算法在医学成像领域实现高效准确分割方面的重要作用。我们特别关注与机器学习方法在生物医学图像分割中的应用有关的几项关键研究。我们回顾了经典的机器学习算法，如马尔可夫随机场，k-means聚类，随机森林等，虽然这些经典的学习模型通常不如深度学习技术准确，但它们通常更有效，结构更简单。我们还回顾了不同的深度学习架构，如人工神经网络（ANN），卷积神经网络（CNN）和递归神经网络（RNN），并介绍了过去三年中发表的这些学习模型所获得的分割结果。我们强调了每种机器学习范式的成功和局限性。此外，我们还讨论了与不同机器学习模型的训练相关的几个挑战，并提出了一些解决这些挑战的方法。
2019-11-06 cs.CV cs.LG eess.IV
Contour Proposal Networks for Biomedical Instance Segmentation
Research Centre Jülich（于利希研究中心）；Heinrich Heine University（海因里希·海涅大学）；University Hospital Düsseldorf（杜塞尔多夫大学医院）
我们提出了一个概念上简单的框架对象实例分割称为轮廓建议网络（CPN），它检测可能重叠的对象在图像中，同时拟合封闭的对象轮廓使用可解释的，固定大小的表示傅立叶描述符的基础上。CPN可以将最先进的目标检测架构作为骨干网络并入到可以端到端训练的单级实例分割模型中。我们构建了具有不同骨干网络的CPN模型，并将其应用于不同模态数据集中细胞的实例分割。在我们的实验中，我们展示了在实例分割准确性方面优于U-Nets和Mask R-CNN的CPNs，并展示了具有适合实时应用的执行时间的变体。经过训练的模型在不同的细胞类型领域都有很好的泛化能力。由于该框架的主要假设是封闭的对象轮廓，它适用于广泛的检测问题，也在生物医学领域之外。PyTorch中模型架构的实现是免费的。
2021-04-07 cs.CV
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation
Sun Yat-sen University（中山大学）；The University of Hong Kong（香港大学）；Deepwise AI Lab（深睿人工智能实验室）；Shenzhen Research Institute of Big Data（深圳大数据研究院）
生物医学图像分割在计算机辅助诊断中起着重要的作用。然而，现有的基于CNN的方法严重依赖于大量的人工注释，这是非常昂贵的，需要大量的人力资源。在这项工作中，我们采用了由粗到精的策略，并提出了一个自监督校正学习范式的半监督生物医学图像分割。具体来说，我们设计了一个双任务网络，包括一个共享的编码器和两个独立的解码器分割和病变区域修复，分别。在第一阶段中，仅使用分割分支来获得相对粗略的分割结果。第二步，我们根据初始分割图对原始图像上检测到的病变区域进行掩模，并将其与原始图像一起再次发送到网络中，同时分别进行修复和分割。对于标记数据，该过程由分割注释监督，对于未标记数据，该过程由掩蔽病变区域的修复损失指导。由于这两个任务依赖于相似的特征信息，未标记的数据有效地增强了网络对病变区域的表示，并进一步提高了分割性能。此外，一个门控特征融合（GFF）模块的设计，将互补的功能，从两个任务。在三个不同任务的医学图像分割数据集上的实验，包括息肉，皮肤病变和眼底视盘分割，以及证明了我们的方法相比其他半监督方法的出色性能。该代码可在https://github.com/ReaFly/SemiMedSeg上获得。
2023-01-12 cs.CV
ViM-UNet: Vision Mamba for Biomedical Segmentation
Georg-August-University Göttingen（哥廷根大学）
针对生物医学分割中UNet视野有限、Transformer类方法效率低的问题，提出基于Vision Mamba的ViM-UNet分割架构，在两项显微镜实例分割任务上性能优于UNETR且效率更高，表现与UNet相当或更优。
2024-05-14 cs.CV
GAInS: Gradient Anomaly-aware Biomedical Instance Segmentation
The Hong Kong University of Science and Technology（香港科技大学）；Tencent AI Lab（腾讯AI实验室）；Imsight AI Research Lab（依图AI研究院）；Xiamen University（厦门大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳－香港产学研协同创新研究院）
针对生物医学实例分割中接触、重叠或交叉问题，提出梯度异常感知方法GAInS，通过梯度异常映射模块和自适应局部细化模块建模实例间空间关系并优化局部分割，性能优于现有SOTA方法。
2024-09-21 cs.CV
An Automatic Seeded Region Growing for 2D Biomedical Image Segmentation
Assiut University（阿西尤特大学）
本文提出了一种自动种子区域生长算法用于细胞图像分割。首先，从预处理后的图像中提取感兴趣区域（ROI）。其次，基于从图像中提取的ROI自动选择初始种子。第三，使用机器学习算法选择最具抑制性的种子。最后，将细胞图像分割成区域，其中每个区域对应于种子。该方法的目标是从细胞图像中自动提取感兴趣区域（ROI），克服爆炸、欠分割和过分割问题。实验结果表明，该算法可以改善分割图像，分割结果比现有的一些算法噪声小。
2014-12-12 cs.CV
Biomedical Image Segmentation by Retina-like Sequential Attention Mechanism Using Only A Few Training Images
Hiroshima University（广岛大学）
在本文中，我们提出了一种新的基于深度学习的生物医学图像分割算法，该算法使用顺序注意力机制，能够以选择性的方式在图像上转移注意力，允许以更高的分辨率处理更难以分类的子区域。类信息在每个子区域中的空间分布是使用类似视网膜的表示来学习的，其中分辨率随着与注意力中心的距离而减小。最终的分割是通过对重叠子区域的类预测进行平均来实现的，利用集成学习的能力来提高分割精度。实验结果表明，语义分割任务，只有少数的训练图像是可用的，一个CNN使用所提出的方法优于基于块的分类CNN和一个完全基于卷积的方法。
2019-09-27 cs.CV cs.NE
Semi-Supervised Biomedical Image Segmentation via Diffusion Models and Teacher-Student Co-Training
本文提出了一种基于扩散模型的半监督生物医学图像分割框架，通过教师-学生协同训练和多轮伪标签生成策略，在有限标注数据下提升分割性能。
2026-09-02 cs.CV
Parallel Multi-Dimensional LSTM, With Application to Fast Biomedical Volumetric Image Segmentation
University of Kaiserslautern（凯泽斯劳滕大学）；Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (The Swiss AI Lab IDSIA)（达莱莫勒人工智能研究所（瑞士人工智能实验室IDSIA））；Scuola universitaria professionale della Svizzera italiana (SUPSI)（瑞士意大利语区应用科学大学（SUPSI））；Universitá della Svizzera italiana (USI)（瑞士意大利语区大学（USI））；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
卷积神经网络（CNN）可以在2D图像或3D视频中移动以分割它们。它们具有固定的输入大小，并且通常仅感知要被分类为前景或背景的像素的小的局部上下文。相比之下，多维递归神经网络（MD-RNN）可以在所有像素的几次扫描中感知每个像素的整个时空上下文，特别是当RNN是长短期记忆（LSTM）时。然而，尽管有这些理论上的优势，但与CNN不同的是，以前的MD-LSTM变体很难在GPU上并行化。在这里，我们以金字塔的方式重新排列MD-LSTM中传统的长方体计算顺序。由此产生的PyraMiD-LSTM易于并行化，特别是对于3D数据，如大脑切片图像堆栈。PyraMiD-LSTM在MRBrainS 13上实现了最知名的像素级大脑图像分割结果（以及EM-ISBI 12上的竞争结果）。
2015-06-24 cs.CV cs.LG
ConvNeXt-FD: A Fractal-Based Deep Model for Robust Biomedical Image Segmentation
Institute of Mathematics, Statistics and Scientific Computing, Department of Applied Mathematics, University of Campinas（数学、统计与科学计算研究所，应用数学系，坎皮纳斯大学）
本文提出了一种基于分形的深度学习模型ConvNeXt-FD，用于提高生物医学图像分割的鲁棒性，通过结合Dice系数和边界感知正则化项，提升模型对物体边界和形状保真的敏感性。
2026-05-21 cs.CV
MDU-Net: Multi-scale Densely Connected U-Net for biomedical image segmentation
Peng Cheng Laboratory（鹏城实验室）
提出MDU-Net，通过编码器、解码器及跨层三种多尺度密集连接融合多尺度特征并引入量化防过拟合，在GlaS数据集上提升U-Net分割性能达1.8%和3.5%。
2024-03-18 cs.CV
Prompt-Free and Efficient SAM2 Adaptation for Biomedical Semantic Segmentation via Dual Adapters
Meijo University（名古屋大学）
本文提出一种无需提示的高效SAM2适应框架，通过双适配器策略提升生物医学分割性能，实验表明在多个数据集上准确率提升19.66%，计算成本降低87%。
2026-05-07 cs.CV
Task Decomposition and Synchronization for Semantic Biomedical Image Segmentation
Department of Brain and Cognitive Engineering, Korea University（高丽大学脑与认知工程系）
语义分割在生物医学图像分析中具有重要意义。最近的许多工作主要集中在将全卷积网络（FCN）架构与复杂的卷积实现和深度监控相集成。在本文中，我们建议将单个分割任务分解为三个后续子任务，包括（1）逐像素图像分割，（2）预测图像内对象的类标签，以及（3）图像所属场景的分类。虽然这三个子任务的训练，以优化其各自的损失函数的不同的感知水平，我们建议让它们相互作用的任务-任务上下文集成。此外，我们提出了一种新的同步正则化惩罚像素分割和类预测任务的输出之间的偏差。这些有效的正则化有助于FCN全面利用上下文信息，实现准确的语义分割，即使在许多生物医学应用中用于训练的图像的数量可能是有限的。我们已经成功地将我们的框架应用于三个不同的2D/3D医学图像数据集，包括机器人场景分割挑战18（ROBOT 18），脑肿瘤分割挑战18（BRATS 18）和视网膜眼底青光眼挑战（REFUGE 18）。我们在所有三项挑战中都取得了顶级成绩。
2019-06-22 cs.CV eess.IV
Deep Learning-based Bio-Medical Image Segmentation using UNet Architecture and Transfer Learning
Georgia Institute of Technology（佐治亚理工学院）
本文基于Pytorch从零实现UNet架构，并引入迁移学习对改进的UNet分割包进行微调，在多个生物医学图像数据集上的实验表明迁移学习模型性能更优。
2023-05-24 cs.CV cs.LG eess.IV
Quantization of Fully Convolutional Networks for Accurate Biomedical Image Segmentation
Huazhong University of Science and Technology（华中科技大学）
随着医学图像在医疗保健领域的广泛应用，生物医学图像分割在定量分析、临床诊断和医疗干预等方面发挥着重要作用。由于手动注释的再现性有限，工作量大，时间长，因此需要自动分割来处理越来越大规模的组织病理学数据。最近，深度神经网络（DNN），特别是全卷积网络（FCN），已经被广泛应用于生物医学图像分割，获得了很大的改进性能。与此同时，DNN的量化已经成为一个积极的研究课题，其目的是用更少的内存（精度）来表示权重，以大大减少DNN的内存和计算需求，同时保持可接受的精度。在本文中，我们将量化技术应用于精确的生物医学图像分割的FCNs。与现有的文献量化，主要目标是内存和计算复杂性的降低，我们应用量化作为一种方法，以减少在FCNs更好的准确性。具体而言，我们专注于最先进的分割框架，提示性注释[22]，它明智地从原始训练数据集中提取代表性注释样本，获得有效的小规模平衡训练数据集。我们为这个框架开发了两个新的量化过程：（1）具有高度代表性的训练样本的量化的暗示性注释，以及（2）具有高精度的量化的网络训练。在MICCAI Gland数据集上进行的大量实验表明，这两种量化过程都可以提高分割性能，我们提出的方法超过了当前最先进的性能高达1%。此外，我们的方法在内存使用上减少了6.4倍。
2018-03-13 cs.CV
UOLO - automatic object detection and segmentation in biomedical images
INESC TEC - Institute for Systems and Computer Engineering, Technology and Science（INESC TEC——系统与计算机工程、技术与科学研究所）；Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）
我们提出了UOLO，一个新的框架，同时检测和分割的结构感兴趣的医学图像。UOLO由对象分割模块组成，该模块处理中间抽象表示并用作目标检测的输入。所得到的系统同时优化检测一类对象和分割可选的不同类别的结构。UOLO是在一组包围要检测的对象的边界框上训练的，以及在可用时的逐像素分割信息。设计了一个新的损失函数，考虑到每个训练图像是否可以访问参考分割，以便适当地反向传播误差。我们验证了UOLO的任务，同时视盘（OD）检测，中央凹检测，并从视网膜图像OD分割，实现国家的最先进的性能在公共数据集。
2018-10-09 cs.CV cs.LG stat.ML
Unsupervised Cross-Modality Domain Adaptation of ConvNets for Biomedical Image Segmentations with Adversarial Loss
The Chinese University of Hong Kong（香港中文大学）；University of Michigan（密歇根大学）；Imsight Medical Technology Inc.（Imsight医疗科技公司）
卷积网络（ConvNets）在各种具有挑战性的视觉任务中取得了巨大的成功。然而，当遇到域转移时，ConvNets的性能会下降。领域自适应在生物医学图像分析领域具有重要的意义和挑战性，因为跨模态数据具有很大的不同分布。考虑到注释医疗数据是特别昂贵的，监督迁移学习方法不是很理想。在本文中，我们提出了一个无监督的领域自适应框架与对抗学习的跨模态生物医学图像分割。具体来说，我们的模型是基于一个膨胀的全卷积网络进行像素预测。此外，我们建立了一个即插即用的领域自适应模块（DAM），将目标输入映射到与源域特征空间对齐的特征。为了区分两个领域的特征空间，建立了一个领域评价模块（DCM）。我们通过对抗性损失来优化DAM和DCM，而不使用任何目标域标签。我们提出的方法是通过调整一个用MRI图像训练的ConvNet到未配对的CT数据进行心脏结构分割来验证的，并取得了非常有希望的结果。
2018-06-19 cs.CV
Out-of-distribution data supervision towards biomedical semantic segmentation
University of Leicester（莱斯特大学）
针对生物医学分割中的前景背景误分类问题，提出数据为中心的框架Med-OoD，通过引入无需外部数据和额外标注的分布外数据监督，无缝提升分割网络性能，并探索了完全使用无前景标签的OoD数据训练网络的新范式。
2025-07-16 cs.CV
S$^3$-TTA: Scale-Style Selection for Test-Time Augmentation in Biomedical Image Segmentation
Boston College（波士顿学院）
本文提出 S³-TTA 框架，利用变换一致性度量为测试图像选择尺度与风格，并通过增强-分割联合训练提升生物医学图像分割的泛化性能。
2024-01-06 cs.CV
Image Complexity Guided Network Compression for Biomedical Image Segmentation
University of Notre Dame（圣母大学）
压缩是使卷积神经网络（CNN）遵守某些特定计算资源约束的标准过程。然而，搜索压缩架构通常涉及一系列耗时的训练/验证实验，以确定网络大小和性能准确性之间的良好折衷。为了解决这个问题，我们提出了一个图像复杂度引导的网络压缩技术的生物医学图像分割。考虑到任何资源限制，我们的框架利用数据复杂性和网络架构来快速估计不需要网络训练的压缩模型。具体来说，我们将数据集的复杂性映射到由压缩引起的目标网络精度下降。这样的映射使我们能够根据计算出的数据集复杂度来预测不同网络大小的最终精度。因此，可以选择满足网络大小和分段精度要求的解决方案。最后，使用映射来确定用于生成压缩网络的卷积逐层乘法因子。我们使用5个数据集进行实验，采用3种常用的CNN架构作为代表网络进行生物医学图像分割。我们提出的框架被证明是有效的生成压缩分割网络，保留高达$\approx 95\%$的全尺寸的网络分割精度，并在同一时间，利用$\approx 32x$更少的网络可训练的权重（平均减少）的全尺寸的网络。
2021-07-06 cs.CV eess.IV
The Importance of Skip Connections in Biomedical Image Segmentation
Imagia Inc.（Imagia公司）；École Polytechnique de Montréal（蒙特利尔理工学院）；Université de Montréal（蒙特利尔大学）；CHUM Research Center（蒙特利尔大学医院研究中心）；Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）
在本文中，我们研究了长和短的跳跃连接的生物医学图像分割的全卷积网络（FCN）的影响。在标准FCN中，仅使用长跳过连接来将特征从收缩路径跳过到扩展路径，以便恢复在下采样期间丢失的空间信息。我们通过添加短跳跃连接来扩展FCN，这类似于在剩余网络中引入的连接，以便构建非常深的FCN（数百层）。梯度流的回顾证实，对于非常深的FCN，具有长和短跳跃连接是有益的。最后，我们证明了一个非常深的FCN可以在EM数据集上实现接近最先进的结果，而无需任何进一步的后处理。
2016-09-22 cs.CV
Multi-Atlas Segmentation of Biomedical Images: A Survey
Basque Center on Cognition, Brain and Language (BCBL)（巴斯克认知、大脑与语言中心（BCBL））；A.A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院A.A. Martinos生物医学影像中心）
多图谱分割（MAS）由Rohlfing、Brandt、Menzel和Maurer Jr（2004）、Klein、Mensh、Ghosh、Tourville和Hirsch（2005）以及Heckemann、Hajnal、Aljabar、Rueckert和Hammers（2006）的开创性工作首次引入并推广，正在成为生物医学应用中最广泛使用和最成功的图像分割技术之一。通过操纵和利用“图谱”的整个数据集（先前已标记的训练图像，例如，MAS具有更好地捕获解剖变异的灵活性，因此提供了更高的分割准确性，而不是基于模型的平均表示。然而，这种好处通常是以高计算成本为代价的。计算机硬件和图像处理软件的最新进展有助于应对这一挑战，并促进了MAS的广泛采用。今天，MAS已经走过了漫长的道路，该方法包括广泛的复杂算法，这些算法采用了来自机器学习、概率建模、优化和计算机视觉等领域的思想。本文提出了一个调查已发表的MAS算法和研究，这些方法应用于各种生物医学问题。在撰写这份调查报告时，我们有三个明确的目标。我们的主要目标是记录MAS最初是如何构思的，后来演变的，现在涉及到替代方法。其次，本文旨在详细参考MAS过去的研究活动，现在跨越了十多年（2003 - 2014），需要新的方法发展和应用特定的解决方案。最后，我们的目标是也提出一个观点，未来的MAS，我们相信，这将是一个主要的方法在生物医学图像分割。
2015-06-12 cs.CV
Deep Active Learning for Axon-Myelin Segmentation on Histology Data
Polytechnique Montréal（蒙特利尔理工学院）；Télécom Paristech University（巴黎电信学院）；Montréal Heart Institute（蒙特利尔心脏研究所）；Université de Montréal（蒙特利尔大学）
语义分割是生物医学图像处理中的一项重要任务，最近深度学习的突破使其得以改进。然而，一般来说，深度学习方法在实践中尚未广泛使用，因为它们需要大量数据来训练复杂模型。这对于生物医学图像来说尤其具有挑战性，因为数据和地面实况是稀缺资源。生物医学图像的注释工作带来了实际成本，因为专家必须在通常包含许多目标解剖结构实例的样本上手动标记像素级图像（例如，在组织学样本中：神经元，星形胶质细胞，线粒体等）。在本文中，我们提供了一个应用于现实世界场景的深度主动学习框架。我们的框架依赖于U-Net架构和整体不确定性度量来建议注释哪个样本。它利用的不确定性措施，通过采取蒙特卡罗样本，同时使用Dropout正则化方案。在脊髓和脑显微组织学样品上进行实验以执行髓鞘分割任务。使用了两个现实的小数据集的14和24张图像，从不同的采集设置（串行块面电子显微镜和透射电子显微镜），并表明我们的方法达到了最大的骰子值后，添加3个不确定性选择的样本到初始训练集，与15个随机选择的样本，从而显着减少注释的努力。我们专注于一个合理的场景，并证明了这种简单的实现可以用很少的标记样本实现高分割性能。我们相信我们的框架可以使任何愿意在自己的数据集上获得快速准确的图像分割的生物医学研究人员受益。该代码可在https://github.com/neuropoly/deep-active-learning上免费获得。
2019-07-11 cs.CV cs.LG
YOLO-MED : Multi-Task Interaction Network for Biomedical Images
Shanghai Jiao Tong University（上海交通大学）
提出端到端多任务网络 YOLO-Med，通过多尺度特征提取、任务专用解码器和跨尺度任务交互模块，同时完成生物医学图像检测与分割，并在精度和速度间取得良好平衡。
2024-03-01 cs.CV
Capsules for Biomedical Image Segmentation
University of Central Florida（中佛罗里达大学）；Nvidia（英伟达）；Ege University（爱琴海大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
我们的工作在文献中首次将胶囊网络的使用扩展到对象分割任务。这是通过引入局部约束路由和变换矩阵共享而实现的，这减少了参数/内存负担，并允许以大分辨率分割对象。为了补偿在约束路由过程中全局信息的丢失，我们提出了“解卷积”胶囊的概念来创建一个深度编码器-解码器风格的网络，称为SegCaps。我们将掩蔽重建正则化扩展到分割任务，并对我们方法的每个组件进行彻底的消融实验。所提出的卷积-去卷积胶囊网络SegCaps在使用流行分割网络的一小部分参数的同时显示了最先进的结果。为了验证我们提出的方法，我们进行实验分割病理肺临床和临床前胸部计算机断层扫描（CT）扫描和分割肌肉和脂肪（脂肪）组织的磁共振成像（MRI）扫描人类受试者的大腿。值得注意的是，我们在肺分割方面的实验代表了文献中病理肺分割方面最大规模的研究，我们在五个极具挑战性的数据集上进行了实验，这些数据集包含临床和临床前受试者以及近2000个计算机断层扫描。我们新开发的分割平台在所有数据集上都优于其他方法，同时利用流行的U-Net中不到5%的参数进行生物医学图像分割。此外，我们证明了胶囊的能力，推广到看不见的旋转/反射自然图像。
2020-12-10 cs.CV cs.LG eess.IV
Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation
University of Cambridge（剑桥大学）；Imperial College London（帝国理工学院）；University of Salerno（萨勒诺大学）
Dice相似系数（DSC）是生物医学图像分割中广泛使用的度量和损失函数，因为它对类别不平衡具有鲁棒性。然而，众所周知，DSC损失校准不良，导致过度自信的预测，不能在生物医学和临床实践中有效地解释。性能通常是用于评估深度神经网络产生的分割的唯一指标，而校准往往被忽视。然而，校准对于转化为生物医学和临床实践非常重要，为科学家和临床医生解释模型预测提供了关键的上下文信息。在这项研究中，我们提供了一种简单而有效的DSC损失扩展，称为DSC++损失，它选择性地调节与过度自信，不正确的预测相关的惩罚。作为一个独立的损失函数，DSC++损失在六个经过充分验证的开源生物医学成像数据集（包括2D二进制和3D多类分割任务）上实现了比传统DSC损失显著改进的校准。同样，我们观察到显着改善校准时，集成的DSC++损失到四个DSC为基础的损失函数。最后，我们使用softmax阈值来说明校准良好的输出可以定制召回精度偏差，这是一种重要的后处理技术，可以调整模型预测以适应生物医学或临床任务。DSC++损失克服了DSC损失的主要限制，为训练用于生物医学和临床实践的深度学习分割模型提供了合适的损失函数。源代码可在https://github.com/mlyg/DicePlusPlus上获得。
2022-11-01 cs.AI cs.CV eess.IV
Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation
University of Cambridge（剑桥大学）；Imperial College London（帝国理工学院）
手动分割被用作评估神经网络自动图像分割任务的黄金标准。由于在形状，颜色和纹理的相当大的异质性，标定对象的边界是特别困难的生物医学图像，导致显着的评级者之间和内部的变化。软标签和距离惩罚项等方法将全局变换应用于地面实况，重新定义关于不确定性的损失函数。然而，全局操作在计算上是昂贵的，并且这两种方法都不能准确地反映手动注释的不确定性。在本文中，我们提出了边界不确定性，它使用形态学操作来限制对象边界的软标签，提供了一个适当的表示地面真实标签的不确定性，并可能适用于使系统的手动分割错误存在鲁棒的模型训练。我们将边界不确定性与骰子损失相结合，与软标签和距离加权惩罚相比，在三个经过充分验证的生物医学成像数据集上实现了持续改进的性能。边界不确定性不仅更准确地反映了分割过程，而且它也是有效的，对分割错误具有鲁棒性，并具有更好的泛化能力。
2021-10-31 cs.AI cs.CV eess.IV
Automated Design of Deep Learning Methods for Biomedical Image Segmentation
German Cancer Research Center（德国癌症研究中心）；University of Heidelberg（海德堡大学）；DeepMind；Heidelberg University Hospital（海德堡大学医院）
生物医学成像是科学发现的驱动力和医疗保健的核心组成部分，目前受到深度学习领域的刺激。虽然语义分割算法在许多应用中实现了3D图像分析和量化，但是各个专业解决方案的设计是不平凡的，并且高度依赖于数据集属性和硬件条件。我们提出了nnU-Net，这是一个深度学习框架，它浓缩了当前的领域知识，并自主做出将基本架构转移到不同数据集和分割任务所需的关键决策。在没有手动调优的情况下，nnU-Net在19个公开的国际比赛中超越了大多数专业的深度学习管道，并在49个任务中的大多数任务中创造了新的技术水平。结果表明，深度学习方法系统地适应不同的数据集具有巨大的潜在价值。我们将nnU-Net作为一个开源工具公开提供，可以有效地开箱即用，使非专家可以访问最先进的分割技术，并作为自动化方法设计的框架促进科学进步。
2020-04-02 cs.CV
Y-net: Biomedical Image Segmentation and Clustering
University of Georgia（佐治亚大学）
我们提出了一种深度聚类架构，以及用于医学图像分析的图像分割。其主要思想是基于无监督学习来对受试者样本中疾病严重程度的图像进行聚类，然后对该图像进行分割以突出和概述感兴趣的区域。我们首先在图像上训练自动编码器进行分割。来自自动编码器的编码器部分分支到聚类节点和分段节点。在聚类分支处执行使用Kmeans聚类的深度聚类，并使用轻量级模型进行分割。每个分支使用从自动编码器提取的特征。我们展示了ISIC 2018皮肤病变分析对黑色素瘤检测和城市景观数据集进行分割和聚类的结果。所提出的架构在两个数据集上击败了UNet和DeepLab的结果，并且参数数量不到一半。我们使用深度聚类分支将图像聚类为四个聚类。我们的方法可以应用于高复杂性的医学成像数据集，用于分析严重疾病的生存预测或根据疾病传播的程度定制治疗。对患者进行聚类可以帮助理解如何对实值特征进行分箱，以降低特征稀疏性并提高分类任务的准确性。所提出的架构可以提供早期诊断，并减少对标记的人为干预，因为随着数据集变大，它可能变得非常昂贵。其主要思想是提出一种使用深度聚类进行分割的一次性方法。
2020-05-27 cs.CV cs.LG eess.IV
Uncertainty-Error correlations in Evidential Deep Learning models for biomedical segmentation
Gryphon Center for Artificial Intelligence and Theoretical Sciences, Singapore University of Pennsylvania, Perelman School of Medicine, Department of Radiation Oncology（格雷芬人工智能与理论科学中心，新加坡大学匹兹堡大学，佩尔曼医学学院，放射肿瘤学系）；Georgia Institute of Technology（佐治亚理工学院）；University of Pennsylvania, Perelman School of Medicine, Department of Radiation Oncology（宾夕法尼亚大学，佩尔曼医学学院，放射肿瘤学系）
本研究验证了证据深度学习在医学图像分割中能有效提升预测误差与不确定性的相关性，优于传统方法，并适用于主动学习。关键发现是EDL模型在保持分割性能的同时，更擅长检测大误差。
2024-10-24 cs.CV cs.LG eess.IV
An Active Learning Pipeline for Biomedical Image Instance Segmentation with Minimal Human Intervention
Leibniz-Institut für Analytische Wissenschaften - ISAS - e.V.（莱比锡分析科学研究所 - ISAS - 非营利组织）；Faculty of Computer Science, Ruhr University Bochum（计算机科学系，博德鲁姆鲁尔大学）
本文提出一种结合基础模型伪标签、主动学习核心集选择和nnU-Net自配置的生物医学图像实例分割流水线，以最少人工标注实现有竞争力的分割性能。
2025-11-06 cs.AI cs.CV cs.LG
Multi-Compound Transformer for Accurate Biomedical Image Segmentation
The University of Hong Kong（香港大学）；Shenzhen Research Institute of Big Data, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）深圳大数据研究院）；SenseTime Research（商汤科技研究院）
最近的视觉Transformer（即图像分类）学习不同的补丁令牌的非本地注意的相互作用。然而，现有技术没有学习不同像素的跨尺度依赖性、不同标签的语义对应性以及特征表示和语义嵌入的一致性，这些对于生物医学分割是至关重要的。在本文中，我们解决了上述问题，提出了一个统一的Transformer网络，称为多复合Transformer（MCTrans），它将丰富的特征学习和语义结构挖掘到一个统一的框架。具体来说，MCTrans将多尺度卷积特征嵌入为一系列令牌，并执行尺度内和尺度间的自注意，而不是以前的作品中的单尺度注意。此外，一个可学习的代理嵌入也被引入到模型的语义关系和特征增强，分别使用自注意和交叉注意。MCTrans可以很容易地插入到一个类似UNet的网络中，并在六个标准基准中实现了对最先进的生物医学图像分割方法的显着改进。例如，MCTrans在Pannuke，CVC-Clinic，CVC-Colon，Etis，Kavirs，ISIC 2018数据集中分别优于UNet 3.64%，3.71%，4.34%，2.8%，1.88%，1.57%。代码可在https://github.com/JiYuanFeng/MCTrans上获得。
2021-06-28 cs.CV
Uncertainty Quantification using Variational Inference for Biomedical Image Segmentation
University of Maryland（马里兰大学）
针对医学图像深度学习模型需提供预测置信度的需求，提出基于变分推断的编解码架构，在BRATS数据集上以贝叶斯方式融合两类不确定性实现脑肿瘤分割。
2024-08-15 cs.CV cs.LG eess.IV
Semantic Segmentation of iPS Cells: Case Study on Model Complexity in Biomedical Imaging
Graduate School of Advanced Science and Engineering, Hiroshima University（广岛大学先进科学与工程研究生院）；Department of Computer Science, Weifang University of Science and Technology（潍坊科技学院计算机科学系）
本研究针对生物医学图像分割任务，发现经配置的DeepLabv3模型在iPS细胞集落分割上优于SAM2等大模型，证明专用任务中简单适配的模型更具优势，并开源相关实现。
2025-07-29 cs.CV
ScribblePrompt: Fast and Flexible Interactive Segmentation for Any Biomedical Image
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Martinos Center, Massachusetts General Hospital（麻省总医院马蒂诺斯中心）；Harvard Medical School（哈佛医学院）
本文提出ScribblePrompt，一种基于神经网络的交互式分割工具，利用涂鸦、点击和边界框实现任意生物医学图像的快速灵活分割，在用户研究中标注时间减少28%、Dice提高15%，并公开代码与数据集。
2024-07-16 cs.CV eess.IV
Modality specific U-Net variants for biomedical image segmentation: A survey
IIIT Allahabad（阿拉哈巴德印度信息技术学院）
随着深度学习方法的进步，如深度卷积神经网络，残差神经网络，对抗网络; U-Net架构在生物医学图像分割中得到最广泛的应用，以解决目标区域或子区域的识别和检测的自动化。在最近的研究中，基于U-Net的方法已经在不同的应用中展示了最先进的性能，用于开发用于早期诊断和治疗诸如脑肿瘤、肺癌、乳腺癌等疾病的计算机辅助诊断系统，使用各种形式。本文通过描述U-Net框架来展示这些方法的成功，然后通过执行1）模态间和2）模态内分类来全面分析U-Net变体，以更好地了解相关挑战和解决方案。此外，本文还强调了基于U-Net的框架在正在进行的大流行中的贡献，严重急性呼吸系统综合征冠状病毒2（SARS-CoV-2，也称为COVID-19）。最后，分析了这些U-Net变体的优势和相似性以及生物医学图像分割所面临的挑战，以揭示该领域未来有前途的研究方向。
2022-01-27 cs.CV eess.IV
