Pulaski ProbUNet2D FID VSeg

🚀 PULASki_ProbUNet2D_FID_VSeg

在醫學成像領域，許多基於監督學習的分割方法面臨著諸多挑戰，例如多位專家標註的高度差異性、標註數據的匱乏以及數據集的類別不平衡等問題。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，它是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變異性。我們的方法在條件變分自編碼器結構（概率UNet）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，尤其在類別不平衡問題中，它能更好地提升條件解碼器的學習效果。

🚀 快速開始

本項目旨在解決醫學成像分割中的難題，通過提出PULASki這一創新工具，為生物醫學圖像分割提供更高效、準確的解決方案。

✨ 主要特性

• 在醫學成像領域，有效應對多位專家標註差異大、標註數據少和類別不平衡等問題。
• 作為計算高效的生成工具，能在小數據集中準確捕捉專家標註的變異性。
• 使用基於統計距離的改進損失函數，在類別不平衡問題中提升條件解碼器的學習效果。

📚 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

如果您在研究中使用了本方法，或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.