许可证：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 MRA-ToF
• MRA
• TOF
• MRI
• 7T
• 条件变分自编码器
• 分布距离
  库名称：pytorch

PULASki_ProbUNet2D_FID_VSeg

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、标记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，并在未量化不确定性的情况下呈现误导性的过度自信。

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。该方法通过在条件变分自编码器结构（概率UNet）中利用基于统计距离的改进损失函数，相较于标准交叉熵损失，尤其针对类别不平衡问题，显著提升了条件解码器的学习能力。

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：利用统计距离学习标注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： 采用Fréchet起始距离（FID）损失训练的PULASki二维概率UNet
• 任务： 7T MRA-ToF体积数据的概率性血管分割
• 训练数据集： 7T MRA-ToF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: Learning inter-rater variability using statistical distances to improve probabilistic segmentation},
  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 preprint 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: Learning inter-rater variability using statistical distances to improve probabilistic segmentation. arXiv preprint arXiv:2312.15686.