unet图像分割_医学图像半监督分割Baselines.
先放链接，极速尝试 SSL4MIS
近年来，在医学图像分割领域中，卷积神经网络（CNN）占据了绝对优势地位，并且其衍生版本如nnUNet几乎占据了所有比赛 leaderboard 的主导地位。然而，在这一领域仍存在一个共同的问题：大多数医学图像分割任务因标注数据不足而面临挑战。目前的研究者们主要集中在如何通过优化网络架构（如引入各类注意力机制和多模态特征融合）来提升模型性能，在有限的数据资源下实现更好的泛化能力[1]。与此同时，在临床应用中存在较大的改进空间：大量未标注的数据仍被存储在数据中心中（尽管难以对海量数据进行标注），只有少量高质量标注数据可用于实际应用与算法研究[2]）。如何有效平衡标注与未标注数据的比例、以及充分利用未标注原始数据成为当前医学图像分割领域的主要技术瓶颈之一[3]。过去几年间这一问题逐渐受到更多研究者的关注[4]：从2019年的MICCAI会议到今年的 MICCAI 2023 ，已有数十篇论文致力于探索解决这一问题的方法与技术[5]。在现有研究中发现：不同方法之间采用了不同的实验设计、基于不同数据集进行了对比分析，并得出了多样化的结论；因此构建统一的基准数据集以及开放算法库已成为推动该领域发展的重要方向之一[6]。基于此背景我们提出了一种基于公开医学影像竞赛数据集的半监督学习平台——MediSegmentor 。该平台旨在为研究人员提供便捷的研究环境并促进算法创新：我们基于UNet（Efficient-UNet）及其三维扩展版本 3D-UNet 选择了一系列开源的数据集（如 ACDC 和 BraTS 数据库）并整合了多种半监督学习算法框架（包括 Mean Teacher 、Entropy Minimization 、Deep Adversarial Networks 等）最终搭建了一个简单的半监督医学图像分割基准模型——MediSegmentor-Baseline 。该平台已上线并欢迎研究人员参与使用与评估
- 论文总结
我们在这个 repo 中归纳整理了最新的半监督医学图像分割算法及其代码，并附上了详细的实现过程以便大家追踪和快速尝试不同的方法。此外该项目还会持续更新，并及时地将最新的研究成果纳入该列表中以供参考
2. 常用半监督算法实现
在研读多篇前沿论文的过程中，我们发现了现有研究方法都倾向于与经典的对比策略。为了方便后续研究者能够更加便捷地延续相关工作，在这个repo中我们也实现了或整理了这些经典的对比策略，并提供了相应的训练测试与评估工具。以便研究人员直接进行训练、测试以及性能评估。
3. 快速上手
为了帮助用户迅速掌握方法, 我们特意准备了二维与三维（2D和3D）示例包, 旨在帮助用户熟悉平台操作流程. 用户只需通过百度云盘下载预处理的数据集, 即可快速完成算法训练与测试, 并根据个人需求对模型架构进行调整与重构.
2D demo，以ACDC为例
3D demo，以BraTS2019 Whole Tumor分割为例
4 总结
未来两个月之内力求实现至少十个现成可用的算法，并提供更多具有实用价值的数据集示例；同时提供经过训练好的预训练模型以及相关的测试结果；致力于将其构建成医学图像半监督分割领域的基准库；为众多研究者提供便利接入；也希望大家能够积极参与，并提出宝贵的意见；期待大家的支持与反馈；同时我们也欢迎各位提出宝贵的建议。
Reference
（1）所有相关论文、数据集请参考以下链接：
https://github.com/HiLab-git/SSL4MISgithub.com
（2）致以最诚挚的感谢给开源项目的 contributors [MeanTeacher, EntropyMinim, UncertaintyAwareMeTe, InterpolationConsistTr]！在此处我的角色既是知识传递者也是技艺精湛的手工艺师，在此表示衷心谢意！
（3）以上内容源自我们以前的项目DTC 收集而来。如若对您的研究有所帮助，请考虑引用。非常感谢！
最后的最后，如需转载本文，请注明出处即可，不需与我确认，感谢您的关注。