Pulaski ProbUNet3D Base VSeg

🚀 PULASki_ProbUNet3D_Base_VSeg

在醫學成像領域，許多基於監督學習的分割方法面臨著一些挑戰，例如多位專家標註的高度可變性、標註數據的稀缺以及類別不平衡的數據集。這些問題可能導致分割結果缺乏臨床分析所需的精度，並且在沒有相關不確定性量化的情況下，可能會產生過度自信的誤導性結果。

我們提出了PULASki，作為一種計算高效的生物醫學圖像分割生成工具，即使在小數據集上，也能準確捕捉專家標註的可變性。我們的方法在條件變分自編碼器結構（概率U-Net）中使用了基於統計距離的改進損失函數，與標準交叉熵相比，特別是在類別不平衡問題中，它能更好地學習條件解碼器。

🚀 快速開始

在醫學成像領域，PULASki為解決現有分割方法面臨的挑戰提供了新的思路和解決方案。它能在小數據集上準確捕捉專家標註的可變性，為生物醫學圖像分割帶來更精準的結果。

✨ 主要特性

• 作為計算高效的生成工具，可用於生物醫學圖像分割。
• 能準確捕捉專家標註的可變性，即使在小數據集上也表現出色。
• 使用基於統計距離的改進損失函數，在類別不平衡問題中能更好地學習條件解碼器。

📚 詳細文檔

模型詳情

該模型在論文 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

模型來源

• 倉庫地址：https://github.com/soumickmj/PULASki
• 論文地址：https://arxiv.org/abs/2312.15686

📄 許可證

本項目採用Apache - 2.0許可證。

📚 引用信息

如果您在研究中使用了這種方法，或者使用了本倉庫中的代碼或權重，請在您的出版物中引用以下內容：

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.