Pulaski ProbUNet2D Base VSeg

🚀 PULASki_ProbUNet2D_Base_VSeg

在医学影像领域，许多基于监督学习的分割方法面临着诸多挑战，例如多位专家标注的高度可变性、标注数据的稀缺以及数据集的类别不平衡等问题。这些问题可能导致分割结果缺乏临床分析所需的精度，并且在没有相关不确定性量化的情况下，可能会产生过度自信的误导性结果。

我们提出了PULASki，作为一种计算高效的生物医学图像分割生成工具，即使在小数据集上，也能准确捕捉专家标注的可变性。我们的方法在条件变分自编码器结构（概率UNet）中使用了基于统计距离的改进损失函数，与标准交叉熵相比，特别是在类别不平衡问题中，该方法能够更好地学习条件解码器。

🚀 快速开始

本项目提出了PULASki模型用于医学影像分割，能解决标注可变性、数据稀缺和类别不平衡等问题。若你想深入了解该模型，可参考后续的模型细节等内容。

✨ 主要特性

• 提出PULASki作为生物医学图像分割的生成工具，能在小数据集上准确捕捉专家标注的可变性。
• 使用基于统计距离的改进损失函数，在条件变分自编码器结构中提升条件解码器的学习效果，尤其适用于类别不平衡问题。

📚 详细文档

模型详情

该模型在论文 PULASki: Learning inter - rater variability using statistical distances to improve probabilistic segmentation 中被提出，作者包括Soumick Chatterjee、Franziska Gaidzik、Alessandro Sciarra、Hendrik Mattern、Gábor Janiga、Oliver Speck、Andreas Nürnberger、Sahani Pathiraja。

模型描述

模型资源

• 仓库地址：https://github.com/soumickmj/PULASki
• 论文地址：https://arxiv.org/abs/2312.15686

引用信息

如果你在研究中使用了该方法，或者使用了此仓库中的代码或模型权重，请在你的出版物中引用以下内容：

BibTeX：

@article{chatterjee2023pulaski,
  title={PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation},
  author={Chatterjee, Soumick and Gaidzik, Franziska and Sciarra, Alessandro and Mattern, Hendrik and Janiga, G{\'a}bor and Speck, Oliver and N{\"u}rnberger, Andreas and Pathiraja, Sahani},
  journal={arXiv preprint arXiv:2312.15686},
  year={2023}
}

APA： Chatterjee, S., Gaidzik, F., Sciarra, A., Mattern, H., Janiga, G., Speck, O., Nuernberger, A., & Pathiraja, S. (2023). PULASki: Learning inter - rater variability using statistical distances to improve probabilistic segmentation. arXiv preprint arXiv:2312.15686.

📄 许可证

本项目采用Apache - 2.0许可证。