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
NegCut: Automatic Image Segmentation based on MRF-MAP
Beihang University（北京航空航天大学）
求解马尔可夫随机场的最大后验概率（MRF-MAP）是近年来交互式图像分割工具中的一种主流方法。尽管MRF-MAP的计算目标在数学上是明确的，并且分割质量令人印象深刻，但如果没有用户的交互信息，MRF-MAP很难实现。因此，它很少被采用的自动风格，直到今天。在本文中，我们提出了一种自动图像分割算法，NegCut，基于近似MRF-MAP。首先证明了在概率模型未知的情况下MRF-MAP是NP-难的，然后给出了一个近似函数，该近似函数以负权图的最小割的形式表示。最后，从目标矩阵的最大特征向量中提取二进制分割，并使用Lanczos特征解算器的调整版本。在我们的实验中，它在分割质量上具有竞争力。
2012-01-16 cs.CV
Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks
Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所）；National Heart and Lung Institute, Imperial College London（伦敦帝国理工学院国家心肺研究所）
脑肿瘤治疗计划和定量评估的一个主要挑战是确定肿瘤范围。无创磁共振成像（MRI）技术已成为无电离辐射脑肿瘤的一线诊断工具。从3D MRI体积中手动分割脑肿瘤范围是一项非常耗时的任务，并且性能高度依赖于操作者的经验。在这种情况下，一个可靠的全自动分割方法的脑肿瘤分割是必要的肿瘤范围的有效测量。在这项研究中，我们提出了一种全自动的脑肿瘤分割方法，该方法使用基于U-Net的深度卷积网络开发。我们的方法在多模态脑肿瘤图像分割（BRATS 2015）数据集上进行了评估，该数据集包含220个高级别脑肿瘤和54个低级别肿瘤病例。交叉验证表明，我们的方法可以有效地获得有前途的分割。
2017-06-03 cs.CV
Automatic Image Co-Segmentation: A Survey
Beijing Institute of Technology（北京理工大学）
图像联合分割是一种重要的图像分割方法，它通过挖掘相关图像之间的相关性来缓解图像分割的病态性。在过去的十年中，出现了许多自动图像联合分割算法，本文对这些算法进行了全面的研究。我们首先分析了用于指导图像联合分割的视觉/语义线索，包括对象线索和相关性线索。然后从基于对象元素、基于对象区域/轮廓、基于公共对象模型三个方面对传统的方法进行了描述。在下一部分中，将回顾基于深度学习的方法。此外，广泛使用的测试数据集和评估标准进行了介绍，并报告的性能调查算法进行了比较。最后，我们讨论了当前的挑战和未来可能的方向，并结束了本文。希望本文的研究能对图像联合分割技术的发展有所帮助。
2019-11-18 cs.CV
Guided Proofreading of Automatic Segmentations for Connectomics
Harvard Paulson School of Engineering and Applied Sciences（哈佛大学保尔森工程与应用科学学院）；Harvard Brain Science Center（哈佛大学脑科学中心）；Brown University（布朗大学）
连接组学中的自动细胞图像分割方法产生合并和分裂错误，需要通过校对进行校正。先前的研究已经确定了这些错误的视觉搜索作为互动校对的瓶颈。为了帮助纠错，我们开发了两个分类器，自动推荐候选人合并和分裂给用户。这些分类器使用卷积神经网络（CNN），该网络已在自动分割中针对专家标记的地面事实进行了错误训练。我们的分类器通过考虑分割边界周围的大上下文区域来检测潜在的错误区域。然后，用户可以通过是/否决策来执行更正，这比以前的校对方法快7.5倍地减少了信息的变化。我们还提出了一种全自动模式，使用概率阈值进行合并/拆分决策。使用自动方法进行的大量实验以及新手和专家用户的性能比较表明，我们的方法在不同的连接组学数据集上与最先进的校对方法相比表现良好。
2017-04-04 cs.CV
SideInfNet: A Deep Neural Network for Semi-Automatic Semantic Segmentation with Side Information
Google（谷歌）；Singapore University of Technology and Design（新加坡科技设计大学）；Deakin University（迪肯大学）；Hong Kong University of Science and Technology（香港科技大学）
全自动执行是许多计算机视觉应用的最终目标。然而，这一目标在与高故障成本相关的任务中并不总是现实的，例如医疗应用。对于这些任务，由于期望的准确性和性能，允许用户最小努力来引导计算机算法的半自动方法通常是优选的。受半自动方法的实用性和适用性的启发，本文提出了一种新的深度神经网络架构，即SideInfNet，它有效地将从图像中学习的特征与从用户注释中提取的边信息相结合。为了评估我们的方法，我们将所提出的网络应用于三个语义分割任务，并在基准数据集上进行了广泛的实验。实验结果和与前人工作的比较验证了该模型的优越性，表明了该模型在半自动语义分割中的通用性和有效性。
2020-07-17 cs.CV
Automatic Error Detection in Integrated Circuits Image Segmentation: A Data-driven Approach
TechInsights Inc.（TechInsights公司）
由于当前集成电路（IC）构建的纳米级结构复杂且IC图像分割任务的容错性低，大多数现有的自动IC图像分割方法需要人类专家进行视觉检查以确保正确性，这是大规模工业应用的主要瓶颈之一。在本文中，我们提出了第一个数据驱动的自动错误检测方法，针对两种类型的IC分割错误：线错误和过孔错误。在从实际工业中收集的IC图像数据集上，我们证明，通过采用现有的基于CNN的图像分类和图像翻译方法，并采用额外的预处理和后处理技术，我们能够分别在导线错误检测和通过错误检测中实现0.92/0.93的召回率/精度。
2022-11-08 cs.CV
Automatic Spine Segmentation using Convolutional Neural Network via Redundant Generation of Class Labels for 3D Spine Modeling
Korea Institute of Science and Technology（韩国科学技术研究院）；Korea University of Science and Technology（韩国科学技术大学）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
从2010年到2016年，患有脊柱问题的人数大幅增加。从计算机断层摄影（CT）图像获得的脊柱的自动图像分割对于诊断脊柱状况和利用计算机辅助手术系统执行手术是重要的。脊柱具有复杂的解剖结构，由33个椎骨、23个椎间盘、脊髓和连接肋骨组成。因此，脊柱外科医生面临的挑战是需要一个强大的算法来分割和创建脊柱模型。在这项研究中，我们开发了一种自动分割方法来分割脊柱，我们比较了我们的分割结果与专家获得的参考分割。我们开发了一种基于混合方法的全自动CT脊柱分割方法。该方法结合了卷积神经网络（CNN）和全卷积网络（FCN），并利用类冗余作为软约束，大大提高了分割效果。实验结果表明，该方法可以显著提高分割结果的准确性，缩短系统处理时间。我们的比较是基于12个测量：Dice系数（94%），Jaccard指数（93%），体积相似性（96%），灵敏度（97%），特异性（99%），精确度（99%），（过度分割; 8.3和分割下2.6），准确率（99%），Matthews相关系数（0.93）、平均表面距离（0.16 mm）、Hausdorff距离（7.4 mm）和全局一致性误差（0.02）。我们对32例患者的CT图像进行了实验，实验结果证明了该方法的有效性。
2017-11-29 cs.CV
Automatic Brain Structures Segmentation Using Deep Residual Dilated U-Net
Technical University of Munich（慕尼黑工业大学）
脑图像分割用于可视化和量化脑的解剖结构。我们提出了一种自动化的方法，使用2D深度残差扩张网络，捕获丰富的上下文信息的不同组织的分割八个大脑结构。该系统在MICCAI脑分割挑战赛中进行了评估，在22个团队中排名第9。我们进一步比较了该方法与传统的U-Net使用留一个主题的交叉验证设置上的公共数据集。实验结果表明，该方法优于传统的U-网（即80.9%比78.3%的平均Dice得分，4.35毫米比11.59毫米的平均鲁棒Hausdorff距离），是计算效率。
2018-11-10 cs.CV
Automatic Spatially-Adaptive Balancing of Energy Terms for Image Segmentation
University of British Columbia（不列颠哥伦比亚大学）；Simon Fraser University（西蒙弗雷泽大学）
图像分割技术主要是基于参数负载优化。目标函数通常涉及用于平衡竞争图像保真度和分割正则化成本项的权重。适当地设定这些权重是一个艰苦的经验过程。即使这样的理想的权重被发现的一个新的图像，大多数目前的方法固定的权重在整个图像域，忽略了对象的形状和图像外观的空间变化的属性。我们提出了一种新的技术，自主平衡这些条款在空间自适应的方式，通过将图像的可靠性在一个基于图形的分割框架。我们在合成数据上进行验证，与最佳固定参数分割相比，平均误差降低了47%（p值<< 0.05）。我们还介绍了医学图像（包括MRI数据中胼胝体和脑组织的分割）和自然图像的结果。
2009-06-23 cs.CV
Automatic Instrument Segmentation in Robot-Assisted Surgery Using Deep Learning
Massachusetts Institute of Technology（麻省理工学院）；Neuromation OU；University of Michigan（密歇根大学）；Lyft Inc.（来福公司）
机器人器械的语义分割是机器人辅助手术中的一个重要问题。其中一个主要的挑战是正确地检测仪器的位置，用于手术场景附近的跟踪和姿态估计。需要精确的逐像素仪器分割来应对这一挑战。在本文中，我们描述了我们在MICCAI 2017内窥镜视觉SubChallenge：Robotic Instrument Segmentation中获胜的解决方案。我们的方法证明了使用几种新的深度神经网络架构的最先进的结果的改进。它解决了二进制分割问题，其中图像中的每个像素都被标记为手术视频馈送中的仪器或背景。此外，我们还解决了多类分割问题，即区分不同的乐器或乐器的不同部分与背景。在这种情况下，我们的方法优于其他方法在每个任务子类别的自动仪器分割，从而提供了国家的最先进的解决方案，这个问题。我们的解决方案的源代码在www.example.com上公开提供
2018-06-19 cs.CV
Automatic Landmark-Based Segmentation of Human Subcortical Structures in MRI
École de technologie supérieure (ÉTS)（埃克塞尔技术高等学院）；Boston University School of Medicine（波士顿大学医学学院）；Signal and Smart Systems Lab (L3S)（信号与智能系统实验室）；National School of Engineering of Tunis, University of Tunis El Manar（突尼斯国家工程学院，突尼斯El Manar大学）
本文提出一种基于地标引导的3D脑分割方法，通过全局到局部网络检测16个关键皮层下参考点，并结合语义分割模型和后处理步骤，提升皮层下结构分割的准确性。
2026-05-14 cs.CV
Fully Automatic Myocardial Segmentation of Contrast Echocardiography Sequence Using Random Forests Guided by Shape Model
Imperial College London（帝国理工学院）；Royal Brompton Hospital（皇家布朗普顿医院）
心肌对比超声心动图（MCE）是一种评估左心室功能和心肌灌注以检测冠状动脉疾病的成像技术。自动MCE灌注定量具有挑战性，需要从噪声和时变图像中准确分割心肌。随机森林（RF）已成功地应用于许多医学图像分割任务。然而，逐像素RF分类器忽略各个像素的标签输出之间的上下文关系。仅利用局部外观特征的RF也容易受到遭受大强度变化的数据的影响。在本文中，我们展示了如何克服经典RF的上述限制，提出了一个全自动的分割流水线心肌分割在全周期2D MCE数据。具体而言，统计形状模型用于提供形状先验信息，其以两种方式引导RF分割。首先，一种新的形状模型（SM）功能被纳入到RF框架，以生成更准确的RF概率图。其次，将形状模型拟合到RF概率图，以将最终分割细化并约束为合理的心肌形状。我们通过引入一个限界框检测算法作为分割流水线中的预处理步骤，进一步提高了性能。我们的方法在2D图像上进一步扩展到2D+t序列，从而确保所得到的序列分割的时间一致性。在临床MCE数据上进行评估时，我们提出的方法在分割精度上取得了显着的提高，并且优于其他最先进的方法，包括经典RF及其变体，主动形状模型和图像配准。
2018-06-19 cs.CV
Flattening the Parent Bias: Hierarchical Semantic Segmentation in the Poincaré Ball
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
该研究重新审视层次化语义分割的准确率提升假设，通过跨域实验发现扁平化分割网络泛化性更优，同时提出基于庞加莱球的双曲层次分割方法，兼具不错的分割准确率与出色的父节点校准质量。
2024-04-15 cs.CV
DEARLi: Decoupled Enhancement of Recognition and Localization for Semi-supervised Panoptic Segmentation
Faculty of Electrical Engineering and Computing（电子工程与计算学院）；Faculty of Computer and Information Science（计算机与信息科学学院）
本文提出DEARLi方法，通过结合CLIP零样本分类增强识别与SAM伪标签预热解码器增强定位，在半监督全景分割中显著提升性能，同时大幅降低GPU内存需求。
2025-07-14 cs.CV
Fully Convolutional Deep Network Architectures for Automatic Short Glass Fiber Semantic Segmentation from CT scans
Volume Graphics GmbH（Volume Graphics有限公司）；University Medical Center Mannheim, Heidelberg University（海德堡大学曼海姆大学医学中心）；Heidelberg University（海德堡大学）；University of Padova（帕多瓦大学）
我们首次尝试使用深度学习架构在中等（3.9 μm各向同性）和低（8.3 μm各向同性）分辨率下从X射线计算机断层扫描体积数据集执行短玻璃纤维语义分割。我们对合成和真实CT扫描进行了实验，并使用2D和3D内核评估了深度全卷积架构。我们的人工神经网络在中低分辨率扫描方面都优于现有方法。
2019-01-04 cs.CV
PanoSeg3R: Feed-Forward 3D Semantic Segmentation for Panoramic Images with an Automatic Data Curation Pipeline
University of Maryland, College Park（马里兰大学学院公园分校）
PanoSeg3R提出前馈式3D全景语义分割框架，联合预测几何与多视角语义，并引入自动数据策展流程，显著提升零样本泛化性能。
2026-09-22 cs.CV
Adapting Mask-RCNN for Automatic Nucleus Segmentation
University of New Hampshire（新罕布什尔大学）
显微图像的自动分割是医学图像处理和分析中的一项重要任务。细胞核检测是这项任务的一个重要例子。Mask-RCNN是最近提出的用于自然图像的目标检测、对象定位和对象实例分割的最先进算法。在本文中，我们证明了Mask-RCNN可以用于对各种条件下获得的各种细胞进行高效和高效的细胞核显微镜图像自动分割。
2018-05-01 cs.CV cs.LG
Automatic semantic segmentation for prediction of tuberculosis using lens-free microscopy images
Universidad Peruana Cayetano Heredia（秘鲁卡耶塔诺·埃雷迪亚大学）；University of Padova（帕多瓦大学）
结核病（TB）是由一种叫做结核分枝杆菌的细菌引起的，是秘鲁和世界上最严重的公共卫生问题之一。该项目的开发旨在通过MODS方法和使用无透镜显微镜来促进和自动化结核病的诊断，因为与透镜显微镜相比，它们更容易校准和更容易使用（由未经培训的人员）。因此，我们在我们收集的数据集中使用U-Net网络来执行TB索的自动分割，以预测结核病。我们的初步结果显示了自动分割结核索的有希望的证据。
2020-07-06 cs.CV eess.IV
Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation
Nanjing University（南京大学）；Medical School of Nanjing University（南京大学医学院）；National Institute of Healthcare Data Science, Nanjing University（南京大学国家健康数据科学研究院）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）
通过执行简单的预处理操作（\eg、旋转、裁剪、\etc）实现的常规数据增强已经被验证其在增强医学图像分割的性能方面的优势。然而，这些传统的增强方法产生的数据是随机的，有时会对后续的分割有害。在本文中，我们开发了一种新的基于自动学习的数据增强方法用于医学图像分割，该方法使用深度强化学习（DRL）将增强任务建模为试错过程。在我们的方法中，我们创新性地将数据增强模块和后续分割模块以端到端的训练方式结合起来，并保持一致的损失。具体而言，通过直接最大化可用验证集上的性能改进（\ie，Dice比率）来自动学习不同基本操作的最佳顺序组合。我们广泛地评估了我们的方法在CT肾脏肿瘤分割，验证了我们的方法有前途的结果。
2020-02-22 cs.CV eess.IV
Automatic Brain Tumor Segmentation with Scale Attention Network
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
脑肿瘤的自动分割是提取定量成像生物标志物以进行准确肿瘤检测、诊断、预后、治疗计划和评估的重要但具有挑战性的步骤。多模态脑肿瘤分割挑战2020（BraTS 2020）提供了一个通用平台，用于比较多参数磁共振成像（mpMRI）在以下任务中的不同自动算法：1）脑肿瘤分割MRI扫描; 2）根据术前MRI扫描预测患者总生存期（OS）; 3）将真实肿瘤复发与治疗相关效应区分开，以及4）评估分割中的不确定性测量。我们通过开发基于编码器-解码器架构的全自动分割网络来参与图像分割挑战。为了更好地整合不同尺度的信息，我们提出了一种动态尺度注意机制，该机制将不同尺度的特征图的低级细节与高级语义相结合。我们的框架使用BraTS 2020提供的369个挑战训练案例进行训练，并实现了平均Dice相似系数（DSC）为0.8828，0.8433和0.8177，以及95%的Hausdorff距离在166个测试病例中，全肿瘤、肿瘤核心和增强肿瘤的平均直径（毫米）分别为5.2176、17.9697和13.4298，在BraTS 2020挑战赛的693个注册中排名第三。
2020-11-25 cs.CV eess.IV
Automatic Preprocessing and Ensemble Learning for Low Quality Cell Image Segmentation
Meijo University（名城大学）
针对低质量细胞图像的分割问题，提出了一种自动预处理和集成学习的方法。用强光很难捕获细胞。因此，细胞的显微图像往往具有较低的图像质量，但这些图像不利于语义分割。在这里，我们提出了一种将输入图像转换为易于通过深度学习识别的图像的方法。该方法由两个深度神经网络组成。第一个网络是通常的语义分割训练，第一个网络的倒数第二个特征图被用作过滤器，将输入图像转换为强调每个类别的图像。这是自动预处理和翻译的细胞图像很容易分类。输入的低质量细胞图像由第一个网络中的特征映射进行翻译，翻译后的图像被送入第二个网络进行语义分割。由于第二个网络的输出是多个分割结果，我们对这些分割图像进行加权集成。两个网络都是通过端到端的方式训练的，我们不需要为翻译准备高质量的图像。我们证实了我们提出的方法可以将低质量的细胞图像转换为易于分割的图像，并且使用加权集成学习提高了分割精度。
2021-08-30 cs.CV eess.IV
Deep Neural Networks for Automatic Grain-matrix Segmentation in Plane and Cross-polarized Sandstone Photomicrographs
Indian Statistical Institute（印度统计研究所）；International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
砂岩的颗粒分割是将颗粒从其周围的基质/胶结物中分离出来，是计算机辅助矿物识别和砂岩分类的主要步骤。砂岩的显微图像包含许多矿物颗粒及其周围的基质/胶结物。相邻颗粒和基体之间的区别往往是模糊的，使得颗粒分割困难。在文献中存在各种解决方案来处理这些问题，然而，它们对砂岩岩相学的不同模式并不稳健。在本文中，我们将颗粒分割公式化为逐像素的两类（即，纹理和背景）语义分割任务。我们开发了一个基于深度学习的端到端可训练框架，称为深度语义粒度分割网络（DSGSN），一种数据驱动的方法，并提供了一个通用的解决方案。据作者所知，这是第一个探索深度神经网络来解决晶粒分割问题的工作。对显微图像的大量实验表明，我们的方法比具有更多参数的各种分割结构获得了更好的分割精度。
2021-11-13 cs.AI cs.CV
An Automatic Cardiac Segmentation Framework based on Multi-sequence MR Image
Harbin Institute of Technology（哈尔滨工业大学）
LGE CMR是检测梗死心肌的有效技术。一种有效、客观的心室分割方法有助于LGE中梗死心肌的定位。在本文中，我们提出了一个自动框架的LGE图像分割。只有5个标记的LGE体积，每个体积约有15个切片。我们采用直方图匹配，旋转不变的配准方法，对其他标记的模态，以实现有效的增强训练数据。基于扩充后的训练数据，采用留一法训练CNN分割模型。模型的预测结果对每个类别进行连通分量分析，以保留最大连通分量作为最终分割结果。我们的模型通过2019年多序列心脏MR分割挑战进行了评估。Dice评分、Jaccard评分、表面距离和Hausdorff距离的40个测试体积的平均测试结果分别为0.8087、0.6976、2.8727 mm和15.6387 mm。实验结果表明，该框架具有良好的性能.代码可在https://github.com/Suiiyu/MS-CMR2019上获得。
2019-09-12 cs.CV eess.IV
Automatic Breast Ultrasound Image Segmentation: A Survey
University of Idaho（爱达荷大学）；Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）
乳腺癌是全世界妇女癌症死亡的主要原因之一。在临床常规中，自动乳腺超声（BUS）图像分割是非常具有挑战性的，对于癌症诊断和治疗计划至关重要。在过去的二十年中，许多BUS分割方法已经被研究，并且已经被证明在私有数据集上是有效的。目前，公交车图像分割的进展似乎遇到了瓶颈。性能的改进越来越具有挑战性，并且在过去几年中只有很少的新方法被公布。现在是通过全面审查以前的方法来审视该领域并研究未来方向的时候了。在本文中，我们研究的基本思想，理论，优点和缺点的方法，他们分组，并广泛审查每一类深入讨论的原则，应用问题，和优点/缺点。
2018-01-09 cs.CV cs.LG
Automatic Labelling & Semantic Segmentation with 4D Radar Tensors
TU Delft（代尔夫特理工大学）
本文提出利用LiDAR和相机互补信息自动标注汽车数据，并以4D雷达张量为输入训练语义分割网络，在RaDelft数据集上达到LiDAR检测性能的65%以上，显著提升车辆检测精度。
2025-01-20 cs.CV eess.SP
Automatic Image Segmentation by Dynamic Region Merging
The Hong Kong Polytechnic University（香港理工大学）
本文研究了区域合并方式下的图像自动分割问题。对于初始过度分割的图像，其中检测到具有均匀颜色的许多区域（或超像素），通过根据统计测试迭代地合并区域来执行图像分割。区域合并算法有两个基本问题：合并顺序和停止准则。在该算法中，这两个问题都解决了一个新的谓词，这是由序贯概率比检验（SPRT）和最大似然准则定义的。从过度分割的图像开始，如果存在根据该谓词进行合并的证据，则逐步合并相邻区域。我们证明了合并顺序遵循动态规划的原则。这将图像分割公式化为推理问题，其中基于观察到的图像建立最终分割。我们还证明了所产生的分割满足某些全球性的性质。此外，一个更快的算法被开发来加速区域合并过程，该算法在每次迭代中保持最近邻图。在真实自然图像上的实验验证了该算法的有效性。
2010-12-06 cs.CV cs.RO
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
Invisible Marker: Automatic Annotation of Segmentation Masks for Object Manipulation
Preferred Networks, Inc.（Preferred Networks 公司）
我们提出了一种方法来注释分割掩模准确和自动使用不可见标记的对象操作。不可见标记物在可见（常规）光条件下不可见，但在不可见光（诸如紫外（UV）光）下变得可见。通过用不可见的标记绘制对象，并在高速切换常规光和紫外光的同时捕获图像，可以快速且廉价地创建大量带注释的数据集。我们提出的方法和手动注释之间的比较。我们展示了语义分割的可变形对象，包括衣服，液体和粉末在受控的环境光条件下。此外，我们还展示了在办公室、住宅和户外等复杂环境中，在不受控制的环境光线条件下进行液体倾倒任务的演示。此外，可以在相机运动时捕获数据，因此捕获大型数据集变得更容易，如我们的演示所示。
2020-08-02 cs.CV cs.RO
DSNet: Automatic Dermoscopic Skin Lesion Segmentation
University of Girona（赫罗纳大学）；Université Clermont Auvergne（克莱蒙奥弗涅大学）
皮肤病变的自动分割是黑色素瘤计算机辅助诊断（CAD）的关键步骤。尽管它的意义，皮肤病变分割仍然是一个具有挑战性的任务，由于其不同的颜色，纹理和难以区分的边界，并形成一个开放的问题。通过这项研究，我们提出了一个新的和自动的语义分割网络强大的皮肤病变分割皮肤镜皮肤网络（DSNet）。为了减少参数的数量以使网络轻量化，我们使用深度可分离卷积代替标准卷积，将学习到的鉴别特征投影到编码器不同阶段的像素空间上。此外，我们还实现了U-Net和全卷积网络（FCN 8 s），以与建议的DSNet进行比较。我们在两个公开的数据集上评估了我们提出的模型，即ISIC-2017和PH 2。ISIC-2017和PH 2数据集的平均交集（mIoU）分别为77.5%和87.0%，在mIoU方面优于ISIC-2017挑战获胜者1.0%。我们提出的网络在ISIC-2017数据集上的mIoU方面也分别优于U-Net和FCN 8 3.6%和6.8%。我们的皮肤病变分割网络优于其他方法，可以在两个不同的测试数据集上提供更好的分割掩模，从而提高黑色素瘤检测的性能。我们的训练模型以及源代码和预测掩码都是公开的。
2020-01-23 cs.CV eess.IV
Automatic Brain Tumour Segmentation and Biophysics-Guided Survival Prediction
Imperial College London（帝国理工学院）
胶质瘤是最常见的脑恶性肿瘤，具有内在异质性。在多参数磁共振图像（mpMRI）上准确分割胶质瘤及其子区域具有重要的临床意义，它可以确定肿瘤的大小、形状和外观，为术前诊断、治疗计划和生存期预测提供丰富的信息.深度学习的最新发展显著提高了自动医学图像分割的性能。在本文中，我们比较了几种最先进的卷积神经网络模型用于脑肿瘤图像分割。基于集成分割，我们提出了一个生物药理学指导的预后模型，用于预测患者的总生存期，其性能优于数据驱动的放射组学方法。我们的方法获得了MICCAI 2019 BraTS挑战赛的总生存预测第二名。
2019-11-19 cs.CV cs.LG eess.IV
Open-world Instance Segmentation: Top-down Learning with Bottom-up Supervision
UC San Diego（加州大学圣迭戈分校）；Meta AI
针对自顶向下实例分割架构在开放世界中对已见类别有偏差、性能下降的问题，提出结合自底向上分割算法的UDOS方法，兼具效率与泛化能力，在多数据集跨任务上显著优于现有最优水平。
2024-05-14 cs.AI cs.CV cs.LG
Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained Microscopic Images from DIBaS Dataset
National Institute of Technology Karnataka（卡纳塔克邦国家理工学院）；Melaka Manipal Medical College（马六甲马尼帕尔医学院）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）
在本文中，半自动注释的细菌属和种DIBAS数据集实现使用聚类和阈值算法。训练一个深度学习模型来实现细菌种类的语义分割和分类。分类准确率达到95%。深度学习模型在生物医学图像处理中有着巨大的应用。从革兰氏染色显微图像中自动分割细菌对于诊断呼吸道和尿路感染、检测癌症等至关重要，深度学习将帮助生物学家在更短的时间内获得可靠的结果。此外，还可以减少大量的人为干预。这项工作可以帮助从尿涂片图像、痰涂片图像等中检测细菌，以诊断尿路感染、结核病、肺炎等。
2022-08-23 cs.CV eess.IV eess.SP
Automatic Liver Segmentation from CT Images Using Deep Learning Algorithms: A Comparative Study
Ankara University（安卡拉大学）；Turkish Aerospace（土耳其航空航天工业公司）；Akgun R&D Center（Akgun研发中心）
医学成像已经被用于支持医学诊断和治疗。它还可以为外科医生提供关键信息，以促进最佳的手术计划和围手术期管理。从本质上讲，半自动器官和肿瘤分割已经被许多研究人员研究。近年来，随着深度学习算法的发展，器官自动分割技术受到了研究者的广泛关注。本文旨在通过调整和比较不同学科中研究的最先进的DL框架，提出用于肝脏分割的最有效的DL架构。这些框架被实现并适应于商业软件“LiverVision”。其目的是揭示用于全自动肝脏分割的最有效和准确的DL架构。在实验中，对所有的体系结构提供了相同的条件，以衡量算法精度的有效性，并采用Dice系数度量来支持比较分析。实验结果证明，“U-Net”和“SegNet”在考虑时间，成本和有效性的概念进行的实验中具有优越性。考虑到这两种架构，“SegNet”被观察到在消除假阳性值方面更成功。此外，可以看出，仅用于测量图像分割有效性的准确性度量是不够的。结果表明，DL算法能够自动器官分割DICOM图像的高精度。这一贡献是至关重要的手术计划，并激励作者将这种方法应用到不同的器官和医学领域。
2021-01-25 cs.CV cs.LG eess.IV
Pick-and-Learn: Automatic Quality Evaluation for Noisy-Labeled Image Segmentation
Department of Electronic Engineering, Tsinghua University, Beijing, China（中国北京清华大学电子工程系）；Institute for Precision Medicine, Tsinghua University, Beijing, China（中国北京清华大学精准医学研究院）
深度学习方法在许多领域都取得了令人鼓舞的性能，但在训练过程中，它们仍然难以处理带有噪声标记的图像。医学图像标注质量的提高离不开专业知识的支持，在医学图像领域，这一问题显得尤为重要。如何消除噪声标签对分割任务的干扰，而无需进一步的注释仍然是一个重大的挑战。在本文中，我们介绍了我们的标签质量评估策略，用于深度神经网络自动评估每个标签的质量，这些标签没有明确提供，并在干净注释的标签上进行训练。我们提出了一种解决方案，让网络自动评估训练集中标签的相对质量，并使用好的标签来调整网络参数。我们还设计了一个过拟合控制模块，让网络在训练过程中最大限度地从精确的注释中学习。在公开的生物医学图像分割数据集上的实验证明，该方法优于基线方法，在不同的噪声水平下都保持了较高的准确率和良好的泛化能力。
2019-07-27 cs.CV cs.LG eess.IV
Learning Concept Taxonomies from Multi-modal Data
Carnegie Mellon University（卡内基梅隆大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
我们研究了从文本和视觉数据中自动构建上位词分类的问题。以往的分类学归纳工作通常忽略了日益突出的视觉数据，这些数据编码了重要的感知语义。相反，我们提出了一个概率模型，分类感应联合利用文本和图像。为了避免手工制作的特征工程，我们基于图像和文字的分布式表示来设计端到端特征。该模型是有区别地训练给定的一小部分现有的本体，并能够从头开始建立完整的分类与相关图像的一组看不见的概念标签项。我们评估我们的模型和功能的WordNet层次结构，我们的系统优于以前的方法有很大的差距。
2016-06-29 cs.CL cs.CV cs.LG
Automatic Skin Lesion Segmentation Using Deep Fully Convolutional Networks
Cleveland Clinic（克利夫兰诊所）
本文总结了我们的方法和验证结果的ISIC挑战2018 -皮肤病变分析对黑色素瘤检测-任务1：病变分割
2018-07-17 cs.CV
Automatic Pollen Grain and Exine Segmentation from Microscope Images
在这篇文章中，我们提出了一种自动分割的方法花粉粒显微图像，其次是自动分割其外壁。外壁分割的目的是将花粉粒分成两个感兴趣的区域：外壁和内部。由粗到细的方法确保了两种结构的平滑和准确分割。作为一个粗略的阶段，颗粒分割是由一个程序，涉及聚类和形态学操作，而外壁是近似的迭代程序，包括在连续裁剪步骤的花粉粒。执行基于snake的分割以细化两个结构的分割。结果表明，我们的分割方法是能够处理不同类型的花粉，以及与不同类型的外壁和内部的外观。所提出的分割方法旨在通用，并已被设计为自动花粉分类框架的核心步骤之一。
2015-03-19 cs.CV
Automatic skin lesion segmentation with fully convolutional-deconvolutional networks
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
本文总结了我们的方法和验证结果的ISBI挑战2017 -皮肤病变分析对黑色素瘤检测-第一部分：病变分割
2017-09-28 cs.CV
Automatic liver segmentation method in CT images
University of sousse（苏塞大学）；University of Monastir（莫纳斯提尔大学）
这项工作的目的是开发一种基于图像的先验知识，如肝脏的位置和形状的自动分割肝脏的方法。
2012-04-07 cs.CV
Automatic Skin Lesion Segmentation Using GrabCut in HSV Colour Space
University of Burgundy（勃艮第大学）；University of Cassino（卡西诺大学）；University of Girona（赫罗纳大学）
皮肤病变分割是实现皮肤癌自动计算机辅助诊断的第一步。皮肤病变外观的巨大变化使得这项任务非常具有挑战性。本文的贡献是应用一种称为GrabCut的功率前景提取技术，在HSV颜色空间中以最少的人为交互进行自动皮肤病变分割。执行预处理以移除外部黑色边界。测量Jaccard指数以评估分割方法的性能。平均而言，在ISIC挑战2017训练数据集的1000张图像上实现了0.71 Jaccard指数。
2018-09-30 cs.CV
Automatic segmentation of lizard spots using an active contour model
Universidad de Antioquia UdeA（安蒂奥基亚大学）；Instituto Tecnológico Metropolitano ITM（大都会技术学院）
动物生物识别是一项具有挑战性的任务。在文献中，已经使用了很多算法，例如企鹅胸识别、象耳识别、豹纹模式识别等，但是要将技术在很大程度上应用于这一领域的研究，还有很多工作要做。动物生物特征识别的一个重要目标是实现分割过程的自动化，因此本文提出了一种用于提取濒危蜥蜴物种千斑双舌鱼斑点的分割算法。结合预处理、活动轮廓和形态学实现了图像的自动分割。分割算法的每个阶段的参数使用由地面实况指导的优化过程来找到。实验结果表明，斑点的自动分割是可行的。平均分割正确率为78.37%.
2016-03-02 cs.CV
Automatic Liver Segmentation with Adversarial Loss and Convolutional Neural Network
Ortadoğu Teknik Üniversitesi（中东技术大学）
医学图像的自动分割是医学信息领域的一项重要工作，它节省了专家的时间，避免了人为因素的影响。在这项工作中，提出了一种基于条件对抗网络和全卷积网络的方法用于肝脏MRI的自动分割。该方法无需任何后处理，在2018年SIU肝脏分割挑战赛中获得第二名，其数据由Dokuz Eylül大学提供。在本文中，还提出了一些改进的后处理步骤，它表明，与这些补充，该方法优于其他基线方法。
2018-11-28 cs.CV
HandSeg: An Automatically Labeled Dataset for Hand Segmentation from Depth Images
University of Victoria（维多利亚大学）；MPI Informatics（马克斯·普朗克信息学研究所）；TU Graz（格拉茨工业大学）
我们提出了一种自动生成基于深度的手部分割的高质量注释的方法，并介绍了一个大规模的手部分割数据集。现有的数据集通常仅限于单手。通过利用RGBD传感器和一双彩色手套给出的视觉线索，我们自动生成密集的注释双手分割。这降低了创建高质量数据集的成本/复杂性，并使其易于在未来扩展数据集。我们进一步表明，现有的数据集，即使与数据增强，是不足以训练的手分割算法，可以区分双手。来源和数据集将公开提供。
2018-08-02 cs.CV
Automatic Segmentation of Dynamic Objects from an Image Pair
Indian Institute of Technology Gandhinagar（印度理工学院甘地纳加尔分校）
从单个图像中自动分割对象是一个具有挑战性的问题，通常需要在大量图像上进行训练。我们考虑的问题，自动分割的动态对象从一个给定的对从不同的位置捕获的场景的图像。我们利用密集的对应关系以及显着性的措施，以首先本地化的兴趣点的动态对象从两个图像。我们提出了一种新的方法，从计算几何的技术的基础上，以自动分割的动态对象从两个图像使用自上而下的分割策略。我们讨论了所提出的方法是如何独特的新颖性相比，其他国家的最先进的分割算法。我们表明，所提出的分割方法是有效的，在处理大的运动，并能够实现很好的分割的对象为不同的场景。我们分析了使用我们自己的数据集创建的手动标记的地面真值分割掩模的结果，并提供了关键的观察结果，以便在未来改进工作。
2016-04-16 cs.CV
3x2: 3D Object Part Segmentation by 2D Semantic Correspondences
Georgia Institute of Technology（佐治亚理工学院）；Meta AI, FAIR（Meta AI FAIR）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对3D部件分割标注数据稀缺的问题，提出3-By-2方法，借助预训练模型特征与2D-3D语义几何对应，利用少量3D标注或丰富2D标注实现SOTA性能，还支持跨类别标签迁移。
2024-07-12 cs.CV
Automatic Stroke Lesions Segmentation in Diffusion-Weighted MRI
Chulalongkorn University（朱拉隆功大学）
弥散加权磁共振成像（DWI）被广泛用于缺血性卒中引起的早期脑梗死检测。手动分割是由放射科医生完成的常见临床过程，然而，脑梗死分割的挑战来自于低分辨率和不确定的边界。许多分割技术已经被提出，并通过手动分割作为金标准被证明。为了减少研究操作和临床过程中的人为错误，我们采用半自动分割作为金标准，在受控环境下使用来自同一患者的液体衰减反转恢复（FLAIR）磁共振图像（MRI）。广泛的测试进行流行的分割算法，包括大津方法，模糊C-均值，爬山的分割，和Growcut。所选择的分割技术已经通过准确性、灵敏度和特异性进行了验证，使用留一交叉验证来确定每种技术的可能性，然后最大化训练集的准确性。我们的实验结果证明了所选方法的有效性。
2018-03-28 cs.CV
Neural Network-Based Automatic Liver Tumor Segmentation With Random Forest-Based Candidate Filtering
Yokohama City University Medical Center（横滨市立大学医学中心）
我们提出了一种全自动方法，采用基于2D U-网架构的卷积神经网络和随机森林分类器来解决ISBI 2017肝脏肿瘤分割挑战赛（LiTS）的自动肝脏病变分割问题。为了约束肿瘤可能位于其中的ROI，首先执行肝脏分割。对于器官分割，训练卷积网络的集合以使用来自肝脏手术规划的179个肝脏CT数据集的集合来分割肝脏。在肝脏ROI内部，使用127个挑战训练数据集训练的神经网络识别肿瘤候选者，随后用随机森林分类器过滤肿瘤候选者，产生最终的肿瘤分割。对70个挑战测试用例的评估结果是平均Dice系数为0.65，将我们的方法排在第二位。
2017-06-27 cs.CV
Semi-Automatic Segmentation and Ultrasonic Characterization of Solid Breast Lesions
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
乳腺病变的特征是早期发现乳腺癌的必要前提。自动分割使这种分类方法摆脱了主观性和人为错误，具有很强的鲁棒性。光谱和形态特征都成功地用于区分良性和恶性乳腺病变。在本论文中，我们使用经验模态分解法来进行半自动分割。超声特征如致回声性、异质性、FNPA、边缘定义、Hurst系数、致密性、圆度、纵横比、凸度、坚固性、形状因子被计算用作我们的表征参数。所有这些参数都没有给出期望的比较结果。但其中一些指标，即回声、异质性、边缘定义、纵横比和凸度，给出了良好的结果，并用于表征。
2017-03-23 cs.CV
Automatic segmentation of HeLa cell images
在这项工作中，从他们的背景和彼此在数字图像中的细胞分割的可能性进行了测试，组合和改进。大量的图像与年轻，成年和混合细胞能够证明所描述的算法的质量。正确的分割是图像分析的主要任务之一，并且步骤顺序因工作而异，取决于输入图像。对生物学中提出的问题进行了回答，包括过滤、细节强调、分割和球度计算。文中还介绍了算法的顺序和搜索方法。最后在结论部分提出了研究中存在的问题和进一步工作的设想。
2011-01-12 cs.CV
Automatic CT Segmentation from Bounding Box Annotations using Convolutional Neural Networks
Zhejiang University（浙江大学）；The First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院附属第一医院）
医学图像的准确分割对于临床诊断具有重要意义。现有的自动分割方法主要基于全监督学习，对精确标注的要求极高，获取成本高，耗时长。针对这一问题，提出了一种基于弱监督学习的CT图像自动分割方法，该方法只需要边界框形式的弱标注就可以训练出精确的分割模型。该方法由两个步骤组成：1）通过k-means聚类生成带有限界框注释的伪掩模; 2）迭代训练3D U-Net卷积神经网络作为分割模型。一些数据预处理方法被用来提高性能。该方法在包含三种类型器官的四个数据集上进行了验证，共627个CT体积。对于肝脏、脾脏和肾脏的分割，其准确率分别为95.19%、92.11%和91.45%。实验结果表明，该方法准确、高效，适合于临床应用。
2021-06-09 cs.CV
A Neuronal Planar Modeling for Handwriting Signature based on Automatic Segmentation
针对脱机手写签名的鉴别问题，提出了一种签名图像的平面神经元模型。平面模型一般是基于划定均匀区的图像，我们提出了在本文中的自动分割方法到频带的签名图像。签名图像由一个平面神经元模型和一个水平的二级模型和一个垂直的主模型组成。所提出的方法已在两个数据库上进行了测试。第一个是我们收集的;它包括6000个签名，对应60个作家。第二个是公共的GPDS-300数据库，包括16200个签名，对应于300人。实验结果令人鼓舞。
2018-03-27 cs.CV
Automatic Streaming Segmentation of Stereo Video Using Bilateral Space
Beihang University（北京航空航天大学）
本文利用双目摄像机的特点，提出了一种基于半监督分割算法的无监督分割算法，有效地提取了前景部分。我们创造性地将深度信息嵌入到图割模型的双边网格中，在没有用户输入的情况下，获得了相当的分割精度。实验结果表明，该算法具有较高的精度和时间效率，并能适应复杂的自然场景，具有一定的实际应用价值。
2017-11-28 cs.CV
Automatic Latent Fingerprint Segmentation
Michigan State University（密歇根州立大学）
我们提出了一种简单而有效的自动潜指纹分割方法，称为SegFinNet。SegFinNet将潜像作为输入，并输出突出摩擦脊图案的二进制掩码。我们的算法结合了完全的卷积神经网络和基于检测的方法来一次处理整个输入潜像，而不是使用潜在的补丁。在三个不同的潜在数据库（即NIST SD27，WVU和一个可操作的法医数据库）上的实验结果表明，SegFinNet优于人类标记的潜在数据和最先进的潜在分割算法。我们进一步表明，这种改进的裁剪提高了潜在指纹匹配器的命中率。
2018-09-04 cs.CV
