- 博客(5)
- 收藏
- 关注
RSS订阅原创 MsgFusion: Medical Semantic Guided Two-Branch Network for Multimodal Brain Image Fusion文献阅读笔记
多模态图像融合在医学图像分析和应用中扮演着重要角色，计算机断层扫描（CT）、磁共振成像（MR）、单光子发射计算机断层扫描（SPECT）和正电子发射断层扫描（PET）是常用的成像方式，特别用于脑部疾病的诊断。大多数现有的融合方法并未考虑医学图像的特征，而是采用与自然图像融合类似的策略和评估标准。然而，不同模态中隐藏的独特医学语义信息（MS-Info）并未得到充分利用，而最终的临床评估往往被忽视。
2024-11-05 13:41:21
1332
1
原创 一种解决非平衡样本的方法文献阅读笔记：Self-paced Ensemble for Highly Imbalanced Massive Data Classification
许多现实世界的应用揭示了从不平衡数据中学习分类器的困难。随着大数据时代的兴起，分类任务越来越多，数据集规模庞大，但极不平衡，质量也很低。在这种情况下，现有的大多数学习方法都存在性能差或计算效率低的问题。为了解决这个问题，我们对类不平衡的本质进行了深入的研究，结果表明，不仅类之间的不平衡，而且数据本质中嵌入的其他困难，特别是噪声和类重叠，都阻碍了我们学习有效的分类器。考虑到这些因素，我们提出了一种新的不平衡分类框架，旨在通过欠采样自定节奏协调数据硬度来生成强集成。
2024-11-05 13:38:33
907
原创 文献大致理解：Fusion PSPnet Image Segmentation Based Method for Multi-Focus Image
为了解决传统多焦点图像融合方法不能充分利用空间上下文信息的问题。提出了一种新的多焦点图像融合图像分割方法。该方法包括两个主要步骤，利用PSPnet组合和利用ConvCRFs进行区域优化进行多焦点图像融合。利用PSPnet提取源图像的聚焦区域，利用ConvCRFs对分割图进行优化，得到精细化的分割图。最后以20对彩色多聚焦图像作为实验数据集，对比结果表明，该方法在主客观两方面都比其他方法具有更好的融合视觉效果。
2024-11-04 21:55:50
320
原创 Deep learning methods for medical image fusion: A review文章阅读笔记
基于深度学习的图像融合方法是近年来计算机视觉领域的研究热点。本文从五个方面对这些方法进行了综述：首先，阐述了基于深度学习的图像融合方法的原理和优点；其次，从端到端和非端到端两方面对图像融合方法进行了总结，根据深度学习在特征处理阶段的不同任务，将非端到端图像融合方法分为决策映射深度学习和特征提取深度学习两大类。根据网络类型的不同，将端到端图像融合方法分为三类：基于卷积神经网络的图像融合方法、基于生成对抗网络的图像融合方法和基于编码器-解码器网络的图像融合方法；
2024-11-02 19:28:11
812
原创 图像融合文献阅读：Equivariant Multi-Modality Image Fusion
多模态图像融合是一种将来自不同传感器或模态的信息结合在一起，使融合后的图像保留每个模态的互补特征，如功能亮点和纹理细节的技术。然而，由于地面真值融合数据（地面真值如何生成）的稀缺性，这种融合模型的有效训练是具有挑战性的。为了解决这个问题，我们提出了端到端自监督学习的等变多模态图像融合(EMMA)范式。我们的方法植根于先验知识，即自然成像响应对某些转换是等价的（保持结构一致性：不同模态的图像可能在几何结构上具有一致性。例如，旋转一个CT图像和相同旋转角度的MRI图像后，融合后的图像应保持相同的旋转结构。
2024-11-02 19:26:53
983
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人