许可协议：apache-2.0
任务标签：图像分割
标签：

• 医学
• 概率UNet
• 二维
• PULASki
• 血管分割
• 7T时间飞跃法磁共振血管成像
• 磁共振血管成像
• 时间飞跃法
• 磁共振成像
• 7特斯拉
• 条件变分自编码器
• 分布距离
  框架名称：pytorch

PULASki_ProbUNet2D_基座版_血管分割

在医学影像领域，许多基于监督学习的分割方法面临多重挑战，例如多位专家标注的高变异性、标注数据稀缺以及类别不平衡数据集。这些问题可能导致分割结果缺乏临床分析所需的精确度，并在缺乏不确定性量化的情况下产生误导性的过度自信。

我们提出PULASki作为一种计算高效的生物医学图像分割生成工具，即使在小数据集中也能准确捕捉专家标注的变异性。该方法利用基于条件变分自编码器结构（概率UNet）中统计距离改进的损失函数，相比标准交叉熵损失，尤其在类别不平衡问题中，能更好地学习条件解码器。

模型详情

该模型由Soumick Chatterjee、Franziska Gaidzik、Alessandro Sciarra、Hendrik Mattern、Gábor Janiga、Oliver Speck、Andreas Nürnberger和Sahani Pathiraja在论文PULASki: 利用统计距离学习评估者间变异性以改进概率分割中提出。

模型描述

• 开发者: Soumick Chatterjee博士
• 模型类型: 二维概率UNet（PULASki基线模型），使用焦点Tversky损失（FTL）训练（未加入分布距离损失）
• 任务: 7T时间飞跃法磁共振血管成像体积数据的概率性血管分割
• 训练数据集: 7T时间飞跃法磁共振血管成像体积数据，具体细节参见论文第4.1节：https://arxiv.org/pdf/2312.15686

模型来源

• 代码仓库: https://github.com/soumickmj/PULASki
• 论文: https://arxiv.org/abs/2312.15686

引用

若您在研究中使用本方法、代码库或模型权重，请在出版物中引用以下内容：

BibTeX格式:

@article{chatterjee2023pulaski,  
  title={PULASki: 利用统计距离学习评估者间变异性以改进概率分割},  
  author={Chatterjee, Soumick and Gaidzik, Franziska and Sciarra, Alessandro and Mattern, Hendrik and Janiga, G{\'a}bor and Speck, Oliver and N{\"u}rnberger, Andreas and Pathiraja, Sahani},  
  journal={arXiv预印本 arXiv:2312.15686},  
  year={2023}  
}  

APA格式:

Chatterjee, S., Gaidzik, F., Sciarra, A., Mattern, H., Janiga, G., Speck, O., Nuernberger, A., & Pathiraja, S. (2023). PULASki: 利用统计距离学习评估者间变异性以改进概率分割. arXiv预印本 arXiv:2312.15686.