Pulaski ProbUNet2D FID VSeg

🚀 PULASki_ProbUNet2D_FID_VSeg

在医学成像领域，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差异性、标注数据的匮乏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，它是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变异性。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，尤其在类别不平衡问题中，它能更好地提升条件解码器的学习效果。

🚀 快速开始

本项目旨在解决医学成像分割中的难题，通过提出PULASki这一创新工具，为生物医学图像分割提供更高效、准确的解决方案。

✨ 主要特性

• 在医学成像领域，有效应对多位专家标注差异大、标注数据少和类别不平衡等问题。
• 作为计算高效的生成工具，能在小数据集中准确捕捉专家标注的变异性。
• 使用基于统计距离的改进损失函数，在类别不平衡问题中提升条件解码器的学习效果。

📚 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

模型来源

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

📄 许可证

本项目采用Apache-2.0许可证。

📖 引用

如果您在研究中使用了本方法，或使用了本仓库中的代码或权重，请在您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.