点击下方卡片,关注“CVer”公众号

AI/CV重磅干货,第一时间送达

被催了很久,CVer 正式开启 CVPR 2023 论文大盘点系列Amusi 一共搜集了13篇医学图像分割论文这应该是目前各平台上最新最全面的CVPR 2023 医学图像分割盘点资料。其中半监督占据5篇!截止目前10篇论文的代码链接已放出(不代表已开源)!
如果你想知道最新、高质量的 AI 论文、实战项目、数据集还有入门综述和大量学习资料,欢迎加入CVer计算机视觉知识星球!每天不间断更新,希望对你有所帮助!扫描下方二维码,即可加入学习!
关于更多CVPR 2023的论文和开源代码,可见下面链接:
https://github.com/amusi/CVPR2023-Papers-with-Code
CVPR 2023 医学图像分割论文(13篇)
1. 无标记肝脏肿瘤分割
  • Label-Free Liver Tumor Segmentation
  • 单位:华中科大, 港中大(深圳), JHU, 南京医科大学第一附属医院
  • Paper: https://arxiv.org/abs/2303.14869
  • Code: https://github.com/MrGiovanni/SyntheticTumors
一句话总结:本文提出了一种合成肝脏肿瘤的有效策略,代码已开源!
2.
DconnNet:基于定向连通性的医学图像分割
  • Directional Connectivity-based Segmentation of Medical Images
  • 单位:杜克大学
  • Paper: https://arxiv.org/abs/2304.00145
  • Code: https://github.com/Zyun-Y/DconnNet
一句话总结:DconnNet:一种用于医学图像分割的新型定向连通性建模网络,核心思想是从共享隐空间中分离出定向子空间,并使用提取的定向特征来增强整体数据表示,性能表现出色!优于nnU-Net等网络,代码已开源!
3. BCP:用于半监督医学图像分割的双向复制粘贴
  • Bidirectional Copy-Paste for Semi-Supervised Medical Image Segmentation
  • 单位:华东师范大学, 上海交通大学
  • Paper: https://arxiv.org/abs/2305.00673
  • Code: https://github.com/DeepMed-Lab-ECNU/BCP
一句话总结:本文提出了用于半监督医学图像分割的双向复制粘贴(BCP)方法,简单高效!可显著提升现有分割模型性能,如助力SS-Net网络涨点,代码已开源!
4. 真实世界医学图像分割和分布外定位的Mask Transformers 
  • Devil is in the Queries: Advancing Mask Transformers for Real-world Medical Image Segmentation and Out-of-Distribution Localization
  • 单位:阿里, 北大, 广东省人民医院, 盛京医院等
  • Paper: https://arxiv.org/abs/2304.00212
  • Code: None

一句话总结:据称,这是第一个探索医学图像分割中的近OOD检测和定位问题的工作,其中提出MaxQuery网络和QD loss,性能表现SOTA!
5. FedCE:基于客户端贡献估计的公平联邦医学图像分割
  • Fair Federated Medical Image Segmentation via Client Contribution Estimation
  • 单位:港中大, NVIDIA
  • Paper: https://arxiv.org/abs/2303.16520
  • Code: https://github.com/NVIDIA/NVFlare/tree/dev/research/fed-ce
一句话总结:FedCE:一种新的医学图像分割联邦学习方法,其使用客户端贡献估计作为全局模型聚合权重,在两个真实世界的医学数据集上进行实证评估,具有显著的性能改进、更好的协作公平性、更好的性能公平性。
6. 基于扩散模型的Ambiguous医学图像分割
  • Ambiguous Medical Image Segmentation using Diffusion Models
  • 单位:JHU, 不列颠哥伦比亚大学
  • Homepage: https://aimansnigdha.github.io/cimd/
  • Paper: https://arxiv.org/abs/2304.04745
  • Code: https://github.com/aimansnigdha/Ambiguous-Medical-Image-Segmentation-using-Diffusion-Models
一句话总结:在三种不同的医学图像模态(CT、超声和MRI)上验证了有效性,还提出一种新的指标来评估分割预测的多样性和准确性,这符合集体见解的临床实践,代码已开源!
7. 正交标注有利于Barely监督的医学图像分割
  • Orthogonal Annotation Benefits Barely-supervised Medical Image Segmentation
  • 单位:南京大学(史颖欢团队), 东南大学, 山东女子学院
  • Paper: https://arxiv.org/abs/2303.13090
  • Code: https://github.com/HengCai-NJU/DeSCO
一句话总结:本文提出一种用于3D医学图像分割的新注释方式:正交标注,即为一个volume标记两个正交切片,大大减轻了标注的负担,并提出DeSCO:密集稀疏联合训练范式,分割性能表现出色!
8.
MagicNet:Magic-Cube分区和恢复的半监督多器官分割
  • MagicNet: Semi-Supervised Multi-Organ Segmentation via Magic-Cube Partition and Recovery
  • 单位:华东师范大学, 上海交大, 港大
  • Paper: https://arxiv.org/abs/2301.01767
  • Code: https://github.com/DeepMed-Lab-ECNU/MagicNet
一句话总结:在两个公共CT多器官数据集上证明了MagicNet的有效性,显著优于最先进的半监督医学图像分割方法,在具有10%标记图像的MACT数据集上DSC改进了+7%
9. MCF:用于半监督医学图像分割的互校正框架
  • MCF: Mutual Correction Framework for Semi-Supervised Medical Image Segmentation
  • 单位:重庆邮电大学
  • Paper: https://openaccess.thecvf.com/content/CVPR2023/html/Wang_MCF_Mutual_Correction_Framework_for_Semi-Supervised_Medical_Image_Segmentation_CVPR_2023_paper.html
  • Code: https://github.com/WYC-321/MCF
一句话总结:本文探讨了模型bias 校正的问题,并提出一种用于半监督医学图像分割的新框架:MCF,性能表现出色!
10. 重新思考小样本医学分割:一种矢量量化的角度
  • Rethinking Few-Shot Medical Segmentation: A Vector Quantization View
  • 单位:北京理工大学
  • Paper: https://openaccess.thecvf.com/content/CVPR2023/html/Huang_Rethinking_Few-Shot_Medical_Segmentation_A_Vector_Quantization_View_CVPR_2023_paper.html
  • Code: None
一句话总结:VQ框架在腹部、心脏和前列腺MRI数据集上产生了最先进的性能,并预计这项工作将引发对当前小样本医学分割模型设计的重新思考。
11. 用于半监督医学图像分割的伪标签引导的对比学习
  • Pseudo-label Guided Contrastive Learning for Semi-supervised Medical Image Segmentation
  • 单位:石溪大学
  • Paper: https://openaccess.thecvf.com/content/CVPR2023/html/Basak_Pseudo-Label_Guided_Contrastive_Learning_for_Semi-Supervised_Medical_Image_Segmentation_CVPR_2023_paper.html
  • Code: https://github.com/hritam-98/PatchCL-MedSeg
一句话总结:据作者称,这是首次尝试使用一致性正则化和伪标签在半监督环境中集成对比学习,用于半监督医学图像分割,性能表现出色,代码已开源!

12. SDC-UDA:跨模态医学图像分割的Volumetric无监督域自适应框架
  • SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for Slice-Direction Continuous Cross-Modality Medical Image Segmentation
  • 单位:延世大学, Naver AI Lab, 哈佛医学院等
  • Paper: https://arxiv.org/abs/2305.11012
  • Code: None
一句话总结:SDC-UDA:一种用于切片方向连续跨模态医学图像分割的新Volumetric 无监督域自适应框架,并在多个公共数据集上验证了其有效性,实现了最先进的分割性能。
13. DoNet:用于细胞学实例分割的深度去重叠网络
  • DoNet: Deep De-overlapping Network for Cytology Instance Segmentation
  • 单位:港科大, 腾讯 AI Lab
  • Paper: https://arxiv.org/abs/2303.14373
  • Code: https://github.com/DeepDoNet/DoNet
一句话总结:DoNet:一种用于细胞实例分割的基于分解和重组策略中去重叠网络,在ISBI2014和CPS数据集上性能表现SOTA!
如果你想知道最新、高质量的 AI 论文、实战项目、数据集还有入门综述和大量学习资料,欢迎加入CVer计算机视觉知识星球!每天不间断更新,希望对你有所帮助!扫描下方二维码,即可加入学习!

上面13篇医学图像分割论文和论文下载
CVer后台回复:CVPR2023即可下载论文和代码
医学图像和图像分割交流群成立
扫描下方二维码,或者添加微信:CVer333,即可添加CVer小助手微信,便可申请加入CVer-医学图像或者图像分割微信交流群。另外其他垂直方向已涵盖:目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要备注:研究方向+地点+学校/公司+昵称(如医学图像或者图像分割+上海+上交+卡卡),根据格式备注,可更快被通过且邀请进群
▲扫码或加微信号: CVer333,进交流群
CVer计算机视觉(知识星球)来了!想要了解最新最快最好的CV/DL/AI论文速递、优质实战项目、AI行业前沿、从入门到精通学习教程等资料,欢迎扫描下方二维码,加入CVer计算机视觉,已汇集数千人!
扫码进星球
▲点击上方卡片,关注CVer公众号

整理不易,请点赞和在看
继续阅读
阅读原文