データレベルとネットワークレベルの一貫性を統合することにより、限られたアノテーションを備えた心血管評価のための効率的な心臓 MRI 多構造セグメンテーション

エリオット首相ほか肥大型心筋症の診断と管理に関する 2014 年の ESC ガイドライン。カルディオール。ポルスカ 72、1054–1126 (2014).

ラランド、A.ら。遅延造影 MRI の自動評価のための深層学習手法。エミデックチャレンジの結果。 医学。アナル画像。 79102428 (2022)。

Google スカラー

バーナード、O.ら。自動 MRI 心臓多構造セグメンテーションと診断のための深層学習技術: 問題は解決されましたか? IEEEトランス。医学。イメージング 372514 ～ 2525 年 (2018 年)。

Google スカラー

Vaduganathan, M.、Mensah, GA、Turco, JV、Fuster, V. & Roth, GA 心血管疾患の世界的な負担とリスク: 将来の健康への羅針盤。 J.Am.コル。カーディオール。 802361–2371 (2022)。

Ronneberger, O.、Fischer, P. & Brox, T. U-net: 生物医学画像セグメンテーションのための畳み込みネットワーク。で 医療画像コンピューティングとコンピュータ支援介入に関する国際会議。 234–241 (Springer、2015)。

Çicek, Ö.、Abdulkadir, A.、Lienkamp, SS、Brox, T. & Ronneberger, O. 3D U-Net: 疎なアノテーションからの密な体積セグメンテーションの学習。の 医療画像コンピューティングとコンピュータ支援介入に関する国際会議424–432 (Springer、2016)。

オクテイ、O.ら。 U-Net に注目してください: 膵臓のどこを探せばよいかを学習します。 （2018年）。

Zhang, Y.、Yuan, L.、Wang, Y. & Zhang, J. Sau-net: スライス間の注意を使用した効率的な 3D 脊椎 MRI セグメンテーション。で 深層学習による医用画像処理。 903–913 (PMLR、2020)。

Dosovitskiy、A. et al.画像は 16×16 ワードの価値があります: 大規模な画像認識のためのトランスフォーマー。で 学習表現に関する国際会議 （2020年）。

チェン、J.ら。 TransUNet: トランスのレンズを通して医用画像セグメンテーションのための U-Net アーキテクチャ設計を再考します。 医学。画像アナル。 97103280 (2021)。

Xie, Y.、Zhang, J.、Shen, C. & Xia, Y. Cotr: 3D 医療画像セグメンテーションのための > とトランスフォーマーの効率的なブリッジング。で 医療画像コンピューティングとコンピュータ支援介入に関する国際会議。 171–180 (Springer、2021)。

ハタミザデ、A.ら。 Unetr: 3D 医療画像セグメンテーション用のトランスフォーマー。で コンピュータ ビジョンのアプリケーションに関する IEEE/CVF 冬季会議の議事録。 574–584 (IEEE、 2022年）。

Shi, Y.、Ma, J.、Yang, J.、Wang, S. & Zhang, Y. 医療画像セグメンテーションのピクセル単位の監視を超えて: 従来のモデルから基礎モデルまで。 （2024年）。

タジバクシュ、N. 他不完全なデータセットの受け入れ: 医療画像セグメンテーションのための深層学習ソリューションのレビュー。 医学。アナル画像。 63101693 (2020)。

Google スカラー

Ma、J.ら。 Abdomenct-1k: 腹部臓器のセグメンテーションは解決された問題です。 IEEEトランス。パターンアナル。マッハ。知性。 446695 – 6714 (2021)。

リー、W.ら。 Abdomenatlas: 効率的な転移学習とオープン アルゴリズム ベンチマークのための、大規模で詳細な注釈が付けられたマルチセンター データセット。 医学。アナル画像。 97103285 (2024)。

Google スカラー

Ma、J.ら。データ効率の高い学習に向けて: 新型コロナウイルス感染症の CT 肺と感染セグメンテーションのベンチマーク。 医学。物理学。 （2020年）。

Zhang、Y.ら。非新型コロナウイルス病変からの共有知識を活用して、アノテーション効率の高い COVID-19 CT 肺感染セグメンテーションを実現します。 IEEE J. Biomed.健康情報 254152–4162 (2021)。

Jiao, R. et al.限定されたアノテーションを使用した学習: 医療画像セグメンテーションのための深層半教師あり学習に関する調査。 計算します。バイオル。医学。 169107840 (2023)。

Min, S.、Chen, X.、Zha, Z.-J.、Wu, F. & Zhang, Y. ノイズの多いラベルを使用した半教師あり生物医学セグメンテーションのための 2 ストリーム相互注意ネットワーク。 手順AAAI会議アーティストのインテル。 334578–4585 (2019)。

Google スカラー

Vu, T.-H.、Jain, H.、Bucher, M.、Cord, M. & Pérez, P. Advent: セマンティック セグメンテーションにおけるドメイン適応のための敵対的エントロピー最小化。で コンピュータビジョンとパターン認識に関するIEEE/CVF会議の議事録2517–2526 (IEEE、2019)。

Tarvainen, A. & Valpola, H. 意地悪な教師はより良いロールモデルです。加重平均一貫性目標により、半教師あり深層学習の結果が向上します。で 第31回神経情報処理システム国際会議講演録1195–1204 (2017)。

Wang, Y. et al.半教師あり学習のための二重不確実性加重法。で 医療画像コンピューティングとコンピュータ支援介入に関する国際会議542–551 (Springer、2020)。

Zhang, Y. & Zhang, J. 半教師あり医療画像セグメンテーションのためのデュアルタスク相互学習。で パターン認識とコンピュータビジョン548–559 (スプリンガー、2021)。

Luo, X.、Hu, M.、Song, T.、Wang, G. & Zhang, S. > とトランスフォーマー間のクロスティーチングによる半教師あり医療画像セグメンテーション。で ディープラーニングによる医用画像に関する国際会議820–833 (PMLR、2022)。

Li, S.、Zhang, C. & He, X. 医療画像向けの形状認識半教師あり 3D セマンティック セグメンテーション。で 医療画像コンピューティングとコンピュータ支援介入に関する国際会議552–561 (Springer、2020)。

Cao、H.ら。 Swin-unet: 医療画像セグメンテーション用の Unet のような純粋なトランスフォーマー。で コンピュータビジョンに関する欧州会議。 205–218 (Springer、2022)。

ルオ、X。SSL4MIS。 （2020年）。

Yu、L.、Wang、S.、Li、X.、Fu、C.-W. & Heng、P.-A.半教師あり 3D 左心房セグメンテーションのための不確実性を認識した自己アンサンブル モデル。で 医療画像コンピューティングとコンピュータ支援介入に関する国際会議。 605–613 (Springer、2019)。

Zhang、Y.ら。注釈のない画像を利用した生物医学画像セグメンテーションのためのディープ敵対的ネットワーク。で 医療画像コンピューティングとコンピュータ支援介入に関する国際会議408–416 (Springer、2017)。

ヴェルマ、V. et al.半教師あり学習のための補間一貫性トレーニング。 ニューラルネットワーク。 14590–106 (2022)。

Google スカラー

ヒメネス、LG 他注釈が欠落している病理組織画像セグメンテーションに対する半教師あり学習と能動学習の組み合わせの計算による評価。で コンピュータビジョンに関するIEEE/CVF国際会議の議事録2552–2563 (IEEE、2023)。

Zhang, Y.、Jiao, R.、Liao, Q.、Li, D. & Zhang, J. 半教師あり医療画像セグメンテーションのための不確実性ガイドによる相互一貫性学習。 アーティストのインテル。医学。 138102476 (2023)。

Google スカラー

Hu、L.ら。不確実性と注意に基づく一貫性を備えた半教師あり NPC セグメンテーション。 知識ベースのシステム 239108021 (2022)。

Google スカラー

Zhang、Y.ら。 Ur-sam: 不確実性補正を備えた自動プロンプト医療画像セグメンテーションのためのセグメント何でもモデルの信頼性を強化します。 SSRN 4878606 で入手可能です。 （2024年）。

Zhang, S. & Metaxas, D. 医用画像解析の基礎モデルの課題と展望について。 医学。画像 アナル。 91102996 (2024)。

Google スカラー

Zhang, Y.、Shen, Z.、Jiao, R. 医療画像セグメンテーションのためのあらゆるモデルをセグメント化: 現在のアプリケーションと将来の方向性。 計算します。バイオル。医学。 171108238 (2024)。

Google スカラー

キリロフ、A. et al。何でもセグメント化します。で コンピュータビジョンに関するIEEE/CVF国際会議の議事録4015–4026 (IEEE、2023)。

Ma、J.ら。医療画像内のあらゆるものをセグメント化します。 ナット。一般。 15654年（2024年）。

Google スカラー

Guo、J.ら。半教師あり医療画像セグメンテーションのための視覚言語強化基盤モデル。 (2025年)。

Zhang、Y.ら。 Semisam+: 基礎モデルの時代における半教師あり医療画像セグメンテーションを再考します。 医学。アナル画像。 106103733 (2025)。

Zeng、A. et al. Imagecas: コンピュータ断層撮影血管造影画像に基づく冠動脈セグメンテーションのための大規模なデータセットおよびベンチマーク。 計算します。医学。画像グラフ。 109102287 (2023)。

Google スカラー

リトルジョンズ、TJ 他100,000 人の参加者による英国バイオバンクのイメージング強化: 理論的根拠、データ収集、管理、および将来の方向性。 ナット。一般。 112624年（2020年）。

Google スカラー

Liu、Z.ら。 Swin トランスフォーマー: シフトされたウィンドウを使用する階層型ビジョン トランスフォーマー。で コンピュータビジョンに関するIEEE/CVF国際会議の議事録。 10012–10022 (IEEE、2021)。

Xu、Z.ら。平均教師による半教師あり医療画像セグメンテーションのための曖昧さ選択的一貫性正則化。 医学。アナル画像。 88102880 (2023)。

Google スカラー

Luo, X.、Chen, J.、Song, T. & Wang, G. デュアルタスクの一貫性による半教師あり医療画像セグメンテーション。 手順AAAI会議アーティストのインテル。 358801 ～ 8809 (2021)。

Google スカラー

Shi, Y.、Zhang, Y. & Wang, S. 半教師あり左心房 MRI セグメンテーションのための教師と生徒の競争的アンサンブル フレームワーク。で 2023 IEEE バイオインフォマティクスおよび生物医学国際会議 (BIBM)2231–2234 (IEEE、2023)。