medical-image-segmentation

本文提出了FreNet，一个用于医学病灶分割的基于视觉先验的特征重配置框架，通过解决背景干扰和多样化的病灶形态，在多个基准测试上显著优于现有方法。

本文提出了一种用于医学图像分割的质量引导半监督学习框架，该框架训练一个专用预测器，从图像-掩膜对中估计分割质量，从而提高伪标签的可靠性，并在多个数据集和架构上取得了最先进的结果。

本文研究了从少样本学习中采用情节采样（episodic sampling）用于医学图像分割中的类别平衡批次构建，表明在低数据条件下由于减少过拟合和延长训练迭代而提高了性能，代码可在GitHub上获取。

本文比较了交叉验证集成与深度集成在医学图像分割中的不确定性估计。深度集成在校准和故障检测方面优于交叉验证集成，而交叉验证集成能更好地近似评估者间变异性。

本文提出了M2SNet，一种用于医学图像分割的多尺度内多尺度减法网络。它利用减法运算捕获编码器各层之间的差异特征，提高了病灶定位的准确性和边缘的清晰度。在涵盖四种医学成像模态的十一个数据集上，该方法取得了最先进的性能。