Scene-Generalizable Interactive Segmentation of Radiance Fields
Harbin Institute of Technology(哈尔滨工业大学);Y-tech, Kuaishou Technology(快手科技Y-tech);Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies(广东省新型安全智能技术重点实验室);Dartmouth College(达特茅斯学院)
本文首次提出辐射场场景可泛化交互式分割方法SGISRF,通过跨维度引导传播、不确定性消除3D分割和隐藏监督学习三项技术,仅用少量2D点击即可对未见场景实现高效3D对象分割,性能优于需场景特定优化的经典方法。
2023-08-09 cs.CV
FiVOS: A Fish Segmentation Algorithm Based on Interactive Video Object Segmentation and Filter Enhancement
China Agricultural University(中国农业大学)
针对水产养殖视频分割忽视帧间动态关联及IVOS在鱼类场景中数据稀缺、误差累积的问题,提出改进的交互式视频分割方法FiVOS,结合掩码块过滤与噪声过滤增强,构建两个鱼类数据集,实现SOTA性能。
2026-10-02 cs.CV
RClicks: Realistic Click Simulation for Benchmarking Interactive Segmentation
AIRI;Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学)
该研究通过475K真实用户点击构建可点击性模型,提出RClicks基准,以评估交互式分割方法在真实点击模式下的平均质量与鲁棒性。
2024-10-24 cs.AI cs.CV cs.HC
RadioActive: 3D Radiological Interactive Segmentation Benchmark
German Cancer Research Center (DKFZ)(德国癌症研究中心);Helmholtz Imaging(亥姆霍兹成像中心);University of Heidelberg(海德堡大学)
针对现有3D放射学交互式分割模型的交互局限与评估缺陷,研究提出RadioActive基准与先进提示技术,实验发现SAM2优于专用医学模型,为该领域提供了可复现的公平评估框架。
2025-03-21 cs.AI cs.CV cs.HC
Cascaded Non-local Neural Network for Point Cloud Semantic Segmentation
Nanjing University of Science and Technology(南京理工大学)
本文提出了一种用于点云分割的级联非局部神经网络。该网络的目标是建立点云的长期依赖关系,以实现准确的分割。具体来说,我们开发了一种新型的级联非局部模块,该模块由邻居级、超点级和全局级非局部块组成。首先,在邻域级块中,通过对相邻点赋予不同的权值,提取点云质心点的局部特征。然后,使用提取的质心点的局部特征来对具有非局部操作的超点级块进行编码。最后,全局级块聚合超点的非局部特征,用于编码器-解码器框架中的语义分割。利用级联结构,可以传播具有相同标签的不同邻域的几何结构信息。此外,级联结构可以大大减少原来的点云非局部操作的计算量。在不同室内和室外数据集上的实验表明,该方法具有最佳的性能,并有效地减少了时间消耗和内存占用。
2020-07-30 cs.CV
Fully Automatic Segmentation of Lumbar Vertebrae from CT Images using Cascaded 3D Fully Convolutional Networks
Institute for Surgical Technology \& Biomechanics, University of Bern, Bern, Switzerland. Contact
我们提出了一种方法来解决具有挑战性的问题,从不同的视野采集的CT图像腰椎分割。我们的方法是基于级联的3D全卷积网络(FCN)组成的本地化FCN和分割FCN。更具体地说,在第一步中,我们训练一个回归3D FCN(我们称之为“LocalizationNet”)来找到腰椎区域的限界框。之后,开发了一个像FCN这样的3D U-网络(我们称之为“SegmentationNet”),在训练后,它可以执行像素级多类分割,将裁剪的木材区域体积数据映射到其体积标签。在公开可用的数据集上进行评估,我们的方法实现了95.77 $\pm$ 0.81%的平均Dice系数和0.37 $\pm$ 0.06 mm的平均对称表面距离。
2017-12-05 cs.CV
Multi-scale Hierarchical Vision Transformer with Cascaded Attention Decoding for Medical Image Segmentation
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
Transformers在医学图像分割方面取得了巨大成功。然而,Transformers可能会表现出有限的泛化能力,由于潜在的单尺度自我注意力(SA)机制。在本文中,我们通过引入多尺度层次视觉Transformer(MERIT)骨干网络来解决这个问题,该骨干网络通过在多个尺度上计算SA来提高模型的泛化能力。我们还采用了一个基于注意力的解码器,即级联注意力解码(CASCADE),以进一步细化MERIT生成的多阶段特征。最后,我们介绍了一种有效的多阶段特征混合损失聚合(MUTATION)方法,通过隐式集成来更好地进行模型训练。我们对两个广泛使用的医学图像分割基准(即,Synapse Multi-organ,ACDC)证明了MERIT优于最先进方法的性能。我们的MERIT架构和MUTATION损失聚合可以与下游医学图像和语义分割任务一起使用。
2023-03-29 cs.CV
CMF: Cascaded Multi-model Fusion for Referring Image Segmentation
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);Beijing Academy of Artificial Intelligence(北京人工智能研究院);Artificial Intelligence Research, Chinese Academy of Sciences(中国科学院人工智能研究院);University of Chinese Academy of Sciences(中国科学院大学)
在这项工作中,我们解决的任务,参考图像分割(RIS),其目的是预测的分割掩模描述的对象的自然语言表达。现有的方法大多侧重于建立视觉和语言特征之间的单向或方向性关系,将两种模态关联在一起,而忽略或未充分建模多尺度上下文。在多模态融合过程中,多尺度背景对于定位和分割具有大尺度变化的对象至关重要。为了解决这个问题,我们提出了一个简单而有效的级联多模态融合(CMF)模块,它并行堆叠多个atrous卷积层,并进一步引入级联分支来融合视觉和语言特征。级联分支可以逐步整合多尺度上下文信息,并促进多模态融合过程中两个模态的对齐。在四个基准数据集上的实验结果表明,我们的方法优于大多数最先进的方法。代码可在https://github.com/jianhua2022/CMF-Refseg上获得。
2021-06-16 cs.CV
Glioma Segmentation with Cascaded Unet
Lobachevsky State University(罗巴切夫斯基国立大学);Intel(英特尔)
MRI分析在脑肿瘤的诊断和治疗中占有中心地位,因此其准确的评价至关重要。然而,它的3D性质带来了一些挑战,因此通常在2D投影上执行分析,这降低了复杂性,但增加了偏差。另一方面,耗时的3D评估,如分割,能够提供许多有价值的空间特征的精确估计,使我们了解疾病的过程。\newline最近的研究,重点是分割任务,报告了与经典计算机视觉算法相比,深度学习方法的卓越性能。但这仍然是一个具有挑战性的问题。在本文中,我们提出了深级联的方法自动脑肿瘤分割。与最近的目标检测方法类似,我们的实现基于神经网络;我们对3D UNet架构和增强策略进行了修改,以有效地处理多模态MRI输入,此外,我们还引入了一种方法来增强分割质量,该方法从相同拓扑结构的模型中获得,并对缩小的数据进行操作。我们在BraTS 2018数据集上评估了所提出的方法并讨论了结果。
2018-10-09 cs.CV
Cascaded Scene Flow Prediction using Semantic Segmentation
Brown University(布朗大学);NVIDIA(英伟达);UC Irvine(加州大学欧文分校)
给定来自一对立体相机的两个连续帧,3D场景流方法同时估计所观察场景的3D几何形状和运动。许多现有的方法使用超像素进行正则化,但可能会预测刚性移动对象内部不一致的形状和运动。相反,我们假设场景由在静态背景前面刚性移动的前景对象组成,并使用语义线索来产生像素精确的场景流估计。我们的级联分类框架通过迭代地改进语义分割掩模、立体对应、3D刚性运动估计和光流场来精确地建模3D场景。我们在具有挑战性的KITTI自动驾驶基准上评估了我们的方法,并表明考虑分段车辆的运动会带来最先进的性能。
2017-10-05 cs.CV
A Cascaded Information Interaction Network for Precise Image Segmentation
The Institute of Space Science and Applied Technology(空间科学与应用技术研究所);Harbin Institute of Technology(哈尔滨工业大学)
本文提出一种级联信息交互网络,通过融合低级纹理与高级语义特征提升图像分割精度,尤其在复杂环境中的表现优于现有方法。
2026-01-02 cs.CV
Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration
Universitat Pompeu Fabra(庞培法布拉大学);BCNatal;Institución Catalana de Investigación y Estudios Avanzados (ICREA)(加泰罗尼亚高级研究与发展研究院);Centre for Biomedical Research on Rare Diseases (CIBERER)(罕见疾病生物医学研究中心);European Commission, Joint Research Centre (JRC)(欧盟委员会联合研究中心)
本文提出一种基于级联深度学习配准和多图谱融合的胎儿脑MRI无监督分割方法,无需标注数据训练即可达到与nnU-Net相当的性能。
2023-07-07 cs.CV
Proposal, Tracking and Segmentation (PTS): A Cascaded Network for Video Object Segmentation
Huazhong University of Science and Technology(华中科技大学);Horizon Robotics(地平线机器人)
视频对象分割(VOS)的目的是在像素级的对象跟踪给定的第一帧中的注释。由于视频中对象的视觉变化大,训练样本的缺乏,尽管深度学习的发展方兴未艾,但它仍然是一项艰巨的任务。为了解决VOS问题,我们提出了由对象建议,跟踪和分割组件组成的统一框架,带来了一些新的见解。对象建议网络将对象信息作为通用知识传输到VOS中;跟踪网络从建议中识别目标对象;并且分割网络基于跟踪结果与新的基于动态参考的模型自适应方案来执行。在DAVIS'17数据集和YouTube-VOS数据集上进行了大量的实验,我们的方法在几个视频对象分割基准上达到了最先进的性能。我们在https://github.com/sydney0zq/PTSNet上公开提供代码。
2019-07-04 cs.CV
CSRNet: Cascaded Selective Resolution Network for Real-time Semantic Segmentation
City University of Hong Kong(香港城市大学)
实时语义分割在自动驾驶汽车、机器人等实际应用中的需求日益增长,因此受到了广泛关注。现有的实时的【形】分割方法通常利用特征融合来提高分割精度。然而,它们未能充分考虑不同分辨率下的特征信息,并且网络的感受野相对有限,从而影响性能。为了解决这个问题,我们提出了一个轻级联选择性分辨率网络(CSRNet),以提高性能的实时的【形】分割,通过多个上下文信息嵌入和增强的特征聚合。该网络构建了一个三阶段分割系统,从低分辨率到高分辨率集成特征信息,并逐步实现特征细化。CSRNet包含两个关键模块:短金字塔融合模块(SPFM)和选择性分辨率模块(SRM)。SPFM是一个计算效率很高的模块,可以在每个阶段合并全局上下文信息并显着扩大感受野。SRM被设计为融合多分辨率特征图与各种感受野,其在特征图上分配软通道注意力,并有助于补救由多尺度对象引起的问题。在两个知名数据集上的综合实验表明,所提出的CSRNet有效地提高了实时的【形】分割性能。
2022-04-19 cs.CV
Cascaded Segmentation-Detection Networks for Word-Level Text Spotting
University of California Santa Cruz(加州大学圣克鲁兹分校)
我们介绍了一种算法,字级的文本发现,能够准确可靠地确定文本的单个单词的边界区域“在野外”。我们的系统是由两个卷积神经网络级联而成。第一个网络是完全卷积的,负责检测包含文本的区域。这导致输入图像的非常可靠但可能不准确的分割。第二个网络(受流行的YOLO架构的启发)分析第一阶段产生的每个片段,并预测包含单个单词的定向矩形区域。不需要后处理(例如文本行分组)。在Titan X GPU上处理1000 x 560图像的执行时间为450 ms,我们的系统在ICDAR 2015 Incidental Scene Text数据集基准测试中获得了迄今为止已发布算法中的最高分数。
2017-04-03 cs.CV
Deeply Cascaded U-Net for Multi-Task Image Processing
Utrecht University(乌得勒支大学)
在当前实践中,许多图像处理任务是顺序完成的(例如,去噪、去雾,然后是语义分割)。在本文中,我们提出了一种新的多任务神经网络架构,旨在结合顺序图像处理任务。我们通过为每个单独的任务添加额外的解码路径来扩展U-Net,并探索从一个路径到另一个路径的输出和连接的深度级联。我们证明了所提出的方法在去噪和语义分割,以及渐进的粗到细的语义分割的有效性,并实现更好的性能比多个单独或联合训练的网络,具有较少的可训练参数。
2020-05-01 cs.CV
Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI
Beihang University(北京航空航天大学)
自动分割心肌轮廓和相关区域,如梗死和无复流是心肌梗死定量评价的重要步骤。在这项工作中,我们提出了一个级联卷积神经网络自动心肌梗死分割延迟增强心脏MRI。我们首先使用2D U-Net专注于切片内信息来执行初步分割。之后,我们使用一个3D的U-网络,利用体积的空间信息进行微妙的分割。我们的方法在MICCAI 2020 EMIDEC挑战数据集上进行了评估,心肌、梗死和无复流的平均Dice得分分别为0.8786、0.7124和0.7851,优于分割竞赛的所有其他团队。
2020-12-28 cs.CV eess.IV
Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks
University College London(伦敦大学学院)
提出了一种全卷积神经网络级联算法,用于脑肿瘤多模态磁共振图像的分割,将图像分割为背景区域、肿瘤整体区域、肿瘤中心区域和增强区域。级联的目的是将多类分割问题分解成一系列的三个二进制分割问题,根据子区域的层次结构。在第一步中分割整个肿瘤,并且在第二步中将结果的限界框用于肿瘤核心分割。然后基于肿瘤核心分割结果的限界框分割增强的肿瘤核心。我们的网络由多层各向异性和膨胀卷积滤波器组成,它们与多视图融合相结合,以减少误报。在这些网络中采用残差连接和多尺度预测来提高分割性能。在BraTS 2017验证集上的实验表明,该方法对增强肿瘤核心、整个肿瘤和肿瘤核心的平均Dice分数分别为0.7859、0.9050、0.8378。BraTS 2017测试集的相应值分别为0.7831、0.8739和0.7748。
2017-12-15 cs.CV
PECI-Net: Bolus segmentation from video fluoroscopic swallowing study images using preprocessing ensemble and cascaded inference
Pohang Stroke and Spine Hospital(浦项中风与脊柱医院);Pohang University of Science and Technology(浦项科技大学);Handong Global University(韩东全球大学)
针对VFSS图像低对比度等导致食团分割困难的问题,提出PECI-Net架构,结合预处理集成网络(PEN)和级联推理网络(CIN)提升分割精度,实验证明其性能显著优于UNet等基线模型。
2024-03-21 cs.CV
Automatic Liver and Lesion Segmentation in CT Using Cascaded Fully Convolutional Neural Networks and 3D Conditional Random Fields
Technische Universität München(慕尼黑工业大学);LMU Hospital Grosshadern(LMU格罗斯哈德恩医院)
肝脏及其病变的自动分割是获得用于准确临床诊断和计算机辅助决策支持系统的定量生物标志物的重要一步。提出了一种利用级联全卷积神经网络(CFCN)和稠密三维条件随机场(CRF)自动分割CT腹部图像中肝脏和病变的方法。我们训练和级联两个FCN的肝脏及其病变的联合分割。在第一步中,我们训练FCN以分割肝脏作为第二个FCN的ROI输入。第二FCN仅从步骤1的预测的肝脏ROI分割病变。我们使用一个密集的三维CRF,占空间的连贯性和外观的CFCN细分细化。CFCN模型在包含15个肝脏肿瘤体积的腹部CT数据集3DIRCAD上进行了2重交叉验证训练。我们的研究结果表明,基于CFCN的语义肝脏和病变分割实现了肝脏的Dice分数超过94%,计算时间低于100秒每卷。我们的实验表明,所提出的方法作为一个决策支持系统的鲁棒性,具有高精度和速度的日常临床常规使用。
2016-10-07 cs.CV
Cascade-CLIP: Cascaded Vision-Language Embeddings Alignment for Zero-Shot Semantic Segmentation
School of Computer Science, Nankai University(南开大学计算机学院);Nankai International Advanced Research Institute (Shenzhen Futian)(南开大学国际高等研究院(深圳福田))
针对现有CLIP零样本分割忽略中间层细节且直接聚合多层特征会削弱零样本能力的问题,提出级联独立解码器对齐多层视觉与文本嵌入的Cascade-CLIP框架,在多个分割基准上取得优越性能。
2024-06-06 cs.CV
Open-Vocabulary Camouflaged Object Segmentation with Cascaded Vision Language Models
Shanghai University(上海大学);UCLA(美国大学联盟);Nankai University(南开大学)
本文提出了一种基于视觉语言模型的级联框架,用于解决开放词汇伪装物体分割中的领域差距和分割精度问题,通过共享VLM实现高效且语义一致的分割与分类。
2026-03-08 cs.CV
Towards Automatic Abdominal Multi-Organ Segmentation in Dual Energy CT using Cascaded 3D Fully Convolutional Network
Nagoya University(名古屋大学);German Cancer Research Center (DKFZ)(德国癌症研究中心);University Hospital Erlangen(埃尔朗根大学医院);Paracelsus Medical University(帕拉塞尔苏斯医科大学)
双能量计算机断层扫描(DECT)数据的自动多器官分割可以有益于生物医学研究和临床应用。然而,这是一项具有挑战性的任务。深度学习的最新进展表明,在单能量计算机断层扫描(SECT)中使用3-D全卷积网络(FCN)进行体素密集预测是可行的。本文提出了一种基于3D FCN的DECT多器官自动分割方法。这项工作是基于级联的FCN和一个通用模型的主要器官训练的一个大的SECT数据集。我们通过使用线性加权对DECT数据进行预处理,并对DECT数据的模型进行微调。该方法进行了评估,使用42躯干DECT数据采集与临床双源CT系统。评价了四个腹部器官(肝脏、脾脏、左肾和右肾)。测试了交叉验证。研究了砝码对测量精度的影响。在所有测试中,我们分别实现了肝脏93%、脾脏90%、右肾91%和左肾89%的平均Dice系数。实验结果表明,该方法是可行的,具有良好的应用前景。
2017-10-15 cs.CV
CirrGuide: A Deep Cascaded Framework for Liver Cirrhosis Segmentation and Severity Classification from T2-Weighted MRI
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
CirrGuide提出深度级联框架,先分割肝硬变肝脏掩膜作为解剖先验,再结合多尺度与掩膜引导特征分类严重程度,在CirrMRI600+上提升分割与分类性能。
2026-09-15 cs.CV
Leveraging SLIC Superpixel Segmentation and Cascaded Ensemble SVM for Fully Automated Mass Detection In Mammograms
Università degli Studi di Cassino e del Lazio Meridionale(卡西诺与拉齐奥南部大学)
由于恶性肿瘤密度在形状、轮廓、纹理和方向上的高度可变性,乳房X线照片中乳房肿块的识别和分割面临着复杂的挑战。另外,分类器通常遭受区域候选中的高类别不平衡,其中正常组织区域的数量大大超过恶性肿块。本文提出了一种严格的分割方法,支持形态学增强使用灰度线性滤波器。一种新的级联集成的支持向量机(SVM)被用来有效地解决类的不平衡,并提供显着的预测。对于0.35、0.69和0.82的真阳性率(TPR),系统分别仅生成0.1、0.5和1.0个假阳性/图像(FPI)。
2020-10-20 cs.CV cs.LG
Real-time interactive magnetic resonance (MR) temperature imaging in both aqueous and adipose tissues using cascaded deep neural networks for MR-guided focused ultrasound surgery (MRgFUS)
Korea University(高丽大学);Korea Basic Science Institute(韩国基础科学研究院);Korea Artificial Organ Center(韩国人工器官中心);ICT Convergence Technology for Health and Safety(健康安全信息通信融合技术);Department of Electronics and Information Engineering(电子与信息工程系);Bioimaging Research Team(生物成像研究团队)
目的:为了获得实时交互式的水和脂肪组织的温度图,必须解决长的采集和处理时间的问题。为了克服这些主要挑战,本文提出了一种级联卷积神经网络(CNN)框架和具有单个参考变量翻转角(srVFA)的多回波梯度回波(meGRE)。研究方法:为了优化每种方法的回波时间,使用meGRE序列采集MR图像;分别在预处理和治疗阶段采集具有两个翻转角(FA)的meGRE图像和具有单个FA的meGRE图像。然后,这些图像由级联的CNN处理和重建,该CNN由两个CNN组成。第一个CNN(称为DeepACCnet)根据在治疗阶段期间采集的LR MR图像执行HR复合MR图像重建,其通过在预处理阶段期间采集的HR幅度MR图像得到改进。第二个CNN(称为DeepPennet)处理T1映射。结果如下:在琼脂糖凝胶体模、离体猪肌肉和具有脂肪层的离体猪肌肉(加热测试)以及体内人前列腺和大脑(非加热测试)中,测量了通过meGRE结合srVFA和级联CNN获得的温度和T1变化。在加热测试中,光纤传感器与样品之间的最大差异小于1摄氏度。在所有情况下,使用级联CNN的温度映射在所有情况下都获得了最佳结果。所提出的方法的采集和处理时间分别为0.8 s和32 ms。结论:通过将级联CNN与meGRE和srVFA相结合,实时交互式HR MR温度映射用于同时测量水和脂肪组织是可行的。
2019-08-29 cs.CV eess.IV
One Polyp Identifies All: One-Shot Polyp Segmentation with SAM via Cascaded Priors and Iterative Prompt Evolution
Chinese University of Hong Kong(香港中文大学);Stanford University(斯坦福大学);Hong Kong University of Science and Technology(香港科学与技术大学);Hong Kong University of Science and Technology(Guangzhou)(香港科学与技术大学(广州));Southern University of Science and Technology(南方科技大学)
本文提出基于SAM的单样本息肉分割框架OP-SAM,通过CPG、SPF和EPE自动生成并迭代优化提示,在五个数据集上验证有效,Kvasir上IoU达76.93%。
2025-07-22 cs.CV
CTI-Unet: Cascaded Threshold Integration for Improved U-Net Segmentation of Pathology Images
Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学);Vanderbilt University(范德堡大学)
本文提出CTI-Unet,通过级联集成多个阈值化输出克服单阈值分割局限,在KPIs2024数据集上优于nnU-Net、Swin-Unet和CE-Net,实现肾脏病理图像的稳健分割。
2025-04-08 cs.CV eess.IV
CU-Net: Cascaded U-Net with Loss Weighted Sampling for Brain Tumor Segmentation
Xidian University(西安电子科技大学);Weill Cornell Medical School, Cornell University(康奈尔大学威尔康奈尔医学院)
本文提出了一种新的级联U-网脑肿瘤分割。受脑肿瘤明显的层次结构的启发,我们设计了一个级联的深度网络框架,首先分割整个肿瘤,然后进一步分割肿瘤内部的子结构。考虑到级联结构带来的网络深度的增加会导致更深层精确定位信息的丢失,我们构造了许多跳跃连接来连接相同分辨率的特征,并将细节信息从浅层传递到更深层。然后,我们提出了一个损失加权采样(LWS)计划,以消除不平衡的数据在训练网络的问题。在BraTS 2017数据上的实验结果表明,我们的架构框架优于最先进的分割算法,特别是在分割灵敏度方面。
2019-07-17 cs.CV cs.LG eess.IV
Improving automated multiple sclerosis lesion segmentation with a cascaded 3D convolutional neural network approach
University of Girona(赫罗纳大学);Vall d’Hebron University Hospital(巴尔德希伯伦大学医院);Girona Magnetic Resonance Center(赫罗纳磁共振中心);Dr. Josep Trueta University Hospital(若泽普·特鲁埃塔博士大学医院)
在本文中,我们提出了一种新的自动化方法的白质(WM)病变分割多发性硬化症(MS)患者的图像。我们的方法是基于级联的两个3D补丁式卷积神经网络(CNN)。第一网络被训练为更敏感地揭示可能的候选病变体素,而第二网络被训练为减少来自第一网络的误分类体素的数量。这种级联的CNN架构倾向于从小的训练数据集合中很好地学习,这在实践中可能是非常有趣的,因为难以获得手动标签注释和大量可用的未标记的磁共振成像(MRI)数据。我们评估了所提出的方法的准确性对公共MS病变分割挑战MICCAI 2008数据集,比较它与其他国家的最先进的MS病变分割工具。此外,所提出的方法也评估了两个私人MS临床数据集,我们的方法的性能也与不同的最近公开可用的最先进的MS病变分割方法进行了比较。在撰写本文时,我们的方法是MICCAI 2008挑战赛中排名最高的方法,在使用所有可用的输入模式(T1-w,T2-w和FLAIR)时优于其余60种参与者方法,而在仅使用T1-w和FLAIR模式时仍处于第三位。在临床MS数据上,与其他评估方法相比,我们的方法在WM病变的准确性分割方面表现出显著提高,并且与预期病变体积高度相关($r \ge 0.97$)。
2017-02-16 cs.CV
Brain Tumor Segmentation by Cascaded Deep Neural Networks Using Multiple Image Scales
Isfahan University of Technology(伊斯法罕理工大学)
颅内肿瘤是通常不受控制地生长的细胞群。四分之一的癌症死亡是由于脑肿瘤。脑肿瘤的早期检测和评估是通过磁共振成像(MRI)进行的重要预防性医疗步骤。为此目的,存在许多分割技术。分割精度低是现有方法的主要缺点。在本文中,我们使用深度学习方法来提高MR图像中肿瘤分割的准确性。级联方法用于多尺度图像,以诱导局部和全局视图,并帮助网络达到更高的精度。我们的实验结果表明,使用多尺度和利用两个级联网络是有利的。
2020-02-05 cs.CV eess.IV
ToddlerDiffusion: Interactive Structured Image Generation with Cascaded Schrödinger Bridge
KAUST(阿卜杜拉国王科技大学);LMU(慕尼黑大学);Valeo AI(法雷奥人工智能);Kyutai
本研究提出ToddlerDiffusion方法,将RGB图像生成拆解为多模态中间表示级联生成阶段,用薛定谔桥实现模态间最优传输,在多个数据集上性能优于SOTA,且效率更高、具备编辑交互等新特性。
2024-10-05 cs.CV
A Bottom-up Approach for Pancreas Segmentation using Cascaded Superpixels and (Deep) Image Patch Labeling
National Institutes of Health Clinical Center(美国国立卫生研究院临床中心);Kentucky Imaging and Technologies(肯塔基成像技术公司)
强大的自动器官分割是计算机辅助诊断(CAD),定量成像分析和手术辅助的先决条件。对于诸如胰腺的高变异性器官,先前的方法报告了不期望的低精度。我们提出了一种自自底向上的【形】的腹部CT扫描胰腺分割方法,该方法基于信息传播的层次结构,通过对不同分辨率的图像块进行分类;和级联超像素。有四个阶段:1)将CT切片图像分解为一组不相交的边界保持超像素; 2)经由密集块标记来计算胰腺类概率图; 3)通过汇集强度和概率特征来对超像素进行分类,以在级联随机森林框架中形成经验统计;以及4)基于简单连接的后处理。密集图像块标记通过以下方式进行:基于图像直方图、位置和纹理特征的高效随机森林分类器;以及在较大图像窗口(具有更多空间上下文)上的更昂贵(但具有更好的特异性)的深度卷积神经网络分类。该方法的评价是在一个数据库上进行的80手动分割的CT卷在六倍交叉验证(CV)。我们所取得的结果与最先进的方法相当或更好(通过“留一名患者”评估),Dice为70.7%,Jaccard为57.9%。计算效率从一般的10小时/例提高到6~8分钟/例。最后,我们实现了一个多图集标签融合(MALF)的胰腺分割方法使用相同的数据集。在六倍CV下,我们的自自底向上的【形】分割方法显著优于其MALF对应方法:(70.7 +/- 13.0%)与Dice中的(52.5 +/- 20.8%)。深度CNN补丁标记置信度提供了更高的数值稳定性…
2016-03-07 cs.CV
Hybrid Cascaded Neural Network for Liver Lesion Segmentation
University of Georgia(佐治亚大学)
自动肝脏病变分割是一项具有挑战性的任务,同时对协助医疗专业人员设计有效的治疗和规划适当的护理具有重大影响。在本文中,我们提出了一个级联系统,它结合了2D和3D卷积神经网络来有效地分割肝脏病变。我们的2D网络在逐层的基础上进行操作,以分割肝脏和较大的肿瘤,而我们使用3D网络来检测2D分割设计中经常遗漏的小病变。我们在LiTS挑战中使用该算法,每例的Dice得分为68.1%,在所有非预训练模型中表现最好,在已发表的方法中排名第二。我们还进行了双重交叉验证,以揭示LiTS注释中的过度分割和欠分割问题。
2019-10-08 cs.CV cs.LG eess.IV
Cascaded Context Enhancement Network for Automatic Skin Lesion Segmentation
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Science and Technology of China(中国科学技术大学)
皮肤病灶分割是黑色素瘤自动诊断的重要步骤。由于来自不同患者的病变的不可忽略的多样性,提取用于细粒度语义分割的强大上下文在今天仍然具有挑战性。尽管深度卷积神经网络(CNN)在皮肤病变分割方面取得了显着改进,但由于CNN内部连续的卷积步幅和池化操作,它们通常无法保留空间细节和长期依赖性上下文。在本文中,我们制定了一个级联的上下文增强神经网络自动皮肤病变分割。提出了一种新的级联上下文聚合(CCA)模块,基于门的信息集成方法,顺序地和选择性地聚合原始图像和多层次特征的编码器子网络。所生成的上下文被进一步用于通过所设计的上下文引导局部亲和度(CGL)模块来引导区分性特征提取。此外,一个辅助损失被添加到CCA模块用于细化预测。在我们的工作中,我们评估我们的方法对四个公共皮肤皮肤镜图像数据集。该方法在ISIC-2016、ISIC-2017、ISIC-2018和PH 2数据集上实现了87.1%、80.3%、83.4%和86.6%的Jaccard指数(JA),分别高于其他最先进的模型。
2021-06-07 cs.CV eess.IV
Cascaded Volumetric Convolutional Network for Kidney Tumor Segmentation from CT volumes
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Southeast University(东南大学);Lenovo Research(联想研究院)
从3D CT扫描中自动分割肾脏和肿瘤对于疾病的诊断、监测和治疗计划是必要的。在本文中,我们描述了一个基于3D全卷积网络(FCN)的肾脏和肿瘤分割的两阶段框架。第一阶段对肾脏进行初步定位,去除不相关背景,减少类别不平衡和计算开销。然后第二阶段在裁剪的补丁上精确分割肾脏和肿瘤。该方法在MICCAI 2019 KiTS挑战赛的105支参赛队伍中排名第四,复合骰子为90.24%。
2020-05-04 cs.CV eess.IV
Interactive multiclass segmentation using superpixel classification
Université de Toulouse(图卢兹大学);UPS(巴黎第十一大学(注:此处UPS为Université Paris-Sud的常见缩写,若为图卢兹相关分支需结合语境,此处取通用常见译法));IRIT(图卢兹计算机科学研究所);ENFA(法国国立民航大学(注:ENFA全称为École Nationale de l'Aviation Civile,常见译法为法国国立民航大学))
本文讨论了交互式多类分割问题。我们提出了一种快速,高效的新的交互式分割方法称为超像素分类为基础的交互式分割(SCIS)。从人类用户在图像上绘制的几个笔画中,该方法提取相关的语义对象。为了得到快速计算和准确分割,SCIS使用超像素过分割和支持向量机分类。在本文中,我们证明了SCIS显着outperfoms竞争的算法,通过评估其性能的参考基准McGuinness和Santner。
2015-10-12 cs.CV
Cascaded Diffusion Models for 2D and 3D Microscopy Image Synthesis to Enhance Cell Segmentation
本文提出级联扩散模型框架,从稀疏2D标注合成密集标注的2D和3D细胞显微图像,结合NeuS和微调的Stable Diffusion生成逼真细胞群体,使分割性能提升最高9%。
2024-11-19 cs.CV cs.LG
Enhancing Zero-Shot Anomaly Detection: CLIP-SAM Collaboration with Cascaded Prompts
School of Artificial Intelligence, Anhui University, Hefei, China(人工智能学院,安徽大学,合肥,中国);Anhui Provincial Key Laboratory of Security Artificial Intelligence, Anhui University(安徽省安全人工智能重点实验室,安徽大学);Anhui Provincial Engineering Research Center for Unmanned System(安徽省无人系统与智能技术工程研究中心)
本文提出一种用于工业异常检测的两阶段零样本异常分割框架,协同利用 CLIP 的异常定位与 SAM 的边界感知能力,通过 PPG 和 CPS 模块优化点提示与分割精度,在 Visa 等数据集上取得 SOTA 表现。
2025-10-13 cs.CV
A Cascaded Residual UNET for Fully Automated Segmentation of Prostate and Peripheral Zone in T2-weighted 3D Fast Spin Echo Images
University of Arizona(亚利桑那大学)
多参数磁共振成像已被证明是有效的非侵入性诊断前列腺癌。前列腺的自动分割消除了对放射科医师进行耗时的手动注释的需要。这提高了用于表征前列腺组织的成像特征的提取效率。在这项工作中,我们提出了一个完全自动化的级联深度学习架构与残留块,级联MRes-UNET,在一个通过网络的前列腺和外周区的分割。与有经验的放射科医生的手动注释相比,该网络在前列腺分割中产生高Dice评分($0.91\pm.02$)、精确度($0.91\pm.04$)和召回评分($0.92\pm.03$)。总前列腺体积估计的平均差异小于5%。
2020-12-25 cs.CV cs.LG eess.IV
Error correcting 2D-3D cascaded network for myocardial infarct scar segmentation on late gadolinium enhancement cardiac magnetic resonance images
Medical University of Innsbruck(因斯布鲁克医科大学);University of Innsbruck(因斯布鲁克大学)
针对LGE CMR图像中心肌梗死瘢痕难以自动分割的问题,提出一种人工模拟并由3D网络纠正2D错误的2D-3D级联CNN框架,在两个公开数据集上优于现有方法。
2025-05-13 cs.CV eess.IV
Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation
Chinese University of Hong Kong(香港中文大学)
CNN在医学图像分析中的优越性能在很大程度上取决于标注质量,如标注图像的数量、图像来源和专家经验。注释需要大量的专业知识和劳动。为了解决评价者间差异较大的问题,研究不完美标记在医学图像分割中具有重要意义。在本文中,我们提出了一种新的级联鲁棒学习框架的胸部X射线分割与不完善的注释。我们的模型由三个独立的网络组成,可以有效地从对等网络中学习有用的信息。该框架包括两个阶段。在第一阶段,我们通过模型委员会设置选择干净的注释样本,通过使用所选的干净样本最小化分割损失来训练网络。在第二阶段,我们设计了一个带有标签校正的联合优化框架,逐步纠正错误的标注,提高网络性能。我们在深圳医院采集的公共胸片数据集上进行了实验。实验结果表明,与以往的方法相比,我们的方法在分割任务的准确性上有了显著的提高。
2021-04-05 cs.CV eess.IV
Clicks2Line: Using Lines for Interactive Image Segmentation
Korea University(高丽大学)
针对基于点击的交互式图像分割在处理细长区域时点击次数过多的问题,提出自适应采用点击或线条作为输入的交互式分割算法,实验证明线条在部分场景下能取得更好的分割效果。
2024-04-29 cs.CV
Multi-step Cascaded Networks for Brain Tumor Segmentation
School of Computer Science and Technology, Harbin Institute of Technology(哈尔滨工业大学计算机科学与技术学院)
脑肿瘤自动分割方法在脑肿瘤诊断和治疗的整个过程中起着极其重要的作用。本文提出了一种多步级联网络,该网络考虑了脑肿瘤子结构的层次拓扑结构,对脑肿瘤子结构进行由粗到细的分割,在分割过程中,前一步的结果作为下一步的先验信息,指导下一步的精细分割过程。整个网络以端到端的方式进行训练。此外,为了缓解梯度消失问题并减少过拟合,我们为每一步添加了几个辅助输出作为一种深度监督,并分别引入了几种数据增强策略,这些策略被证明对脑肿瘤分割非常有效。最后,利用焦点损失来解决肿瘤区域和背景的显著不平衡问题。在BraTS 2019验证数据集上对模型进行了检验,肿瘤整体、肿瘤核心和增强肿瘤的平均骰子系数的初步结果分别为0.886、0.813、0.771。代码可在https://github.com/JohnleeHIT/Brats2019上获得
2019-09-25 cs.CV eess.IV
TreeGaussian: Tree-Guided Cascaded Contrastive Learning for Hierarchical Consistent 3D Gaussian Scene Segmentation and Understanding
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Beihang University(北京航空航天大学)
本文提出TreeGaussian,通过树引导的级联对比学习框架,解决3DGS在表示层次结构和捕捉整体-部分关系上的不足,提升分割一致性与质量。
2026-03-31 cs.AI cs.CV
Rethinking Interactive Image Segmentation: Feature Space Annotation
University of Campinas(坎皮纳斯大学);Université Gustave Eiffel(古斯塔夫·埃菲尔大学)
尽管交互式图像分割方法取得了进展,但高质量的像素级注释仍然耗时费力-这是几个深度学习应用的瓶颈。我们后退一步,提出交互式和同步段注释从多个图像引导的特征空间投影。这种策略与现有的交互式分割方法形成鲜明对比,该方法在图像域中执行注释。我们表明,特征空间注释在前景分割数据集:iCoSeg,DAVIS和Rooftop中实现了与最先进方法竞争的结果。此外,在语义分割上下文中,它在Cityscapes数据集中实现了91.5%的准确率,比原始注释过程快74.75倍。此外,我们的贡献揭示了一个新的方向交互式图像注释,可以与现有的方法相结合。补充材料提供了视频演示。代码可在https://github.com/LIDS-UNICAMP/rethinking-interactive-image-segmentation获得。
2022-07-11 cs.CV
Automatic Liver Lesion Detection using Cascaded Deep Residual Networks
University of Sydney(悉尼大学);Shanghai Jiao Tong University(上海交通大学)
肝脏病变的自动分割是创建计算机辅助诊断(CAD)和决策支持系统(CDS)的基本要求。传统的分割方法严重依赖于手工制作的功能和用户的先验知识。因此,这些方法难以在临床环境中采用。最近,基于全卷积网络(FCN)的深度学习方法在许多分割问题中取得了成功,主要是因为它们利用大型标记数据集来分层学习最符合浅视觉外观的特征以及待分割区域的深层语义。然而,基于16层VGGNet架构的FCN增加额外层的能力有限。因此,在不同类别之间学习更多的区分特征是具有挑战性的。在这项研究中,我们克服了这些限制,使用深度残差网络(ResNet)分割肝脏病变。ResNet包含卷积层之间的跳过连接,这解决了在非常深的网络中训练精度下降的问题,从而可以使用额外的层来学习更具区分力的特征。此外,我们通过一种新的级联ResNet架构实现了更精确的边界定义,并通过多尺度融合逐步学习和推断肝脏和肝脏病变的边界。我们提出的方法在提交截止日期前在ISBI 2017肝脏肿瘤分割挑战赛中获得第4名。
2017-05-21 cs.CV
Interactive4D: Interactive 4D LiDAR Segmentation
RWTH Aachen University(亚琛工业大学);ETH AI Center(ETH AI中心);Technical University of Denmark(丹麦技术大学)
本文提出交互式4D分割新范式及Interactive4D模型,利用LiDAR序列时空体在单次迭代中同时分割多帧多目标,并设计适配LiDAR的点击模拟策略,在多个数据集上以较大优势取得最优性能。
2025-04-10 cs.CV
Interactive Full Image Segmentation by Considering All Regions Jointly
Google Research(谷歌研究院)
我们解决了交互式全图像注释,其目标是准确地分割图像中的所有对象和填充区域。我们提出了一个交互式的,基于涂鸦的注释框架,它对整个图像产生分割的所有区域。这使得能够跨区域共享涂鸦校正,并允许注释器专注于机器在整个图像中产生的最大错误。为了实现这一点,我们将Mask-RCNN适配到一个快速交互式分割框架中,并在完整图像画布中引入一个在像素级测量的实例感知损失,这使得对附近区域的预测能够正确地竞争空间。最后,我们比较COCO panoptic数据集上的交互式单对象分割。我们证明了我们的交互式完整图像分割方法可以获得5%的IoU增益,在每个区域四次极端点击和四次纠正涂鸦的预算下达到90%的IoU。
2019-04-10 cs.CV
CROSS: Cascaded Distillation and Dual-Constraint Grounding for Remote Sensing Referring Segmentation
针对遥感指称分割中架构弱耦合与语义偏差问题,本文提出CROSS范式,通过LGCD与PSCL实现性能突破,成为RRSIS的稳健新方案。
2026-08-06 cs.CV
Large-scale interactive object segmentation with human annotators
Google Research(谷歌研究院)
手动注释对象分割蒙版非常耗时。交互式对象分割方法提供了一种更有效的替代方案,其中人类注释者和机器分割模型协作。在本文中,我们对交互式分割做出了几项贡献:(1)我们在模拟中系统地探索了深度交互式分割模型的设计空间,并报告了新的见解和警告;(2)我们使用真实的人类注释器执行了大规模的注释活动,为OpenImages数据集上的250万个实例生成了掩码。我们计划公开发布这些数据,形成现有最大的实例分割数据集。此外,通过重新注释COCO数据集的一部分,我们表明我们可以比传统的多边形绘制工具快3倍地生成实例掩码,同时还提供更好的质量。(3)我们提出了一种技术,用于自动估计所产生的面具,利用间接的注释过程中的信号的质量。
2019-04-17 cs.CV
Connectivity-constrained Interactive Panoptic Segmentation
我们解决了交互式全景标注,其中一个分割图像中的所有对象和填充区域。我们研究了两个基于图形的分割算法,这两个算法都强制每个区域的连接,一个显着的类感知的线性规划(ILP)制定,确保全局最优。这两种算法都可以采用RGB,或者利用来自任何DCNN的特征图,无论是否在目标数据集上训练,作为输入。然后,我们提出了一个互动的,基于涂鸦的注释框架。
2022-12-13 cs.CV
Abdominal multi-organ segmentation with cascaded convolutional and adversarial deep networks
IMT Atlantique(大西洋国立高等矿业电信学校);Dokuz Eylul University(Dokuz Eylul大学);CHRU Brest(布雷斯特大学地区医疗中心)
目的:腹部解剖分割对于从计算机辅助诊断到图像引导手术的许多应用至关重要。在这种情况下,我们使用深度学习解决了腹部CT和MR图像的全自动多器官分割。方法:该模型扩展了标准的条件生成对抗网络。除了强制模型创建逼真的器官轮廓之外,它还嵌入了级联的部分预训练卷积编码器-解码器作为生成器。从大量非医学图像中进行编码器微调会加剧数据稀缺性的局限性。该网络是端到端训练的,以受益于使用自动上下文的同时多级分割细化。结果如下:用于健康的肝脏,肾脏和脾脏分割,我们的管道提供了优于最先进的编码器-解码器方案有前途的结果。接下来是与2019年IEEE国际生物医学成像研讨会联合组织的联合健康腹部器官分割(CHAOS)挑战,它为我们提供了三个竞赛类别的第一名:肝脏CT,肝脏MR和多器官MR分割。结论:结合级联卷积和对抗网络,增强了深度学习管道自动描绘多个腹部器官的能力,具有良好的泛化能力。重要性:提供的综合评价表明,可以实现更好的指导,以帮助临床医生在腹部图像的解释和临床决策。
2020-01-26 cs.CV cs.LG eess.IV
LIMIS: Towards Language-based Interactive Medical Image Segmentation
Institute for AI in Medicine (IKIM), University Hospital Essen(埃森大学医院医学人工智能研究所(IKIM))
本文提出首个纯语言交互的医学图像分割模型 LIMIS,通过适配 Grounded SAM 与语言交互策略,让医生仅凭语言调整掩码,并在三个公开数据集上验证了分割质量与可用性。
2024-10-22 cs.CV