May, 2015

U-Net: 生物医学图像分割的卷积神经网络

PDF
TL;DR该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。
data augmentationneuronal structurescell trackingsegmentationconvolutional network
发现论文，激发创造
  • DoubleU-Net: 医学图像分割的深度卷积神经网络

    提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

    Jun, 2020

  • 非局部 U-Net 用于生物医学图像分割

    本文提出非局部 U-Net，它配备了灵活的全局聚合块，在医学影像分割中取得了良好的结果。

    Dec, 2018

  • KiU-Net：利用过完备表示实现生物医学图像的准确分割

    本文提出了一种新的超完备神经网络结构 Ki-Net，该结构在 U-Net 网络的基础上，通过数据在高维空间上的投影，实现了在分割模糊、嘈杂边界下的解剖标志和小型的功能区域的显著性改善，并表现出更快的收敛速度和优异的性能。作者在早产婴儿的二维超声脑解剖分割任务中，与标准 U-Net 相比，提高了约 4% 的 DICE 准确率和 Jaccard 指数，同时优于最近的一些方法 2%。

    Jun, 2020

  • Sharp U-Net: 用于生物医学图像分割的深度可分离卷积网络

    本研究提出了一种名为 Sharp U-Net 的深度卷积神经网络模型，它采用深度卷积和锐化滤波器来解决 U-Net 的模糊和区域过度或不足的问题，在二元和多类医学图像分割任务中，使用该模型获得了超过同领域基线模型的性能表现。

    Jul, 2021

  • 医学图像分割深度学习方法的自动设计

    利用人工智能中的深度学习技术，基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化，该框架不需要人工参与，能够自动适应不同的数据集和分割任务，同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。

    Apr, 2019

  • 基于 UNet 架构和迁移学习的深度学习生物医学图像分割

    本文旨在利用 Pytorch 从零开始实现 UNet 模型并在多个生物医学图像数据集上评估其性能，另外，我们使用迁移学习将修改后的 UNet 分割模型应用于生物医学图像数据集，发现迁移学习模型在图像分割方面表现更为优异。

    May, 2023

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024

  • Micro-Net: 一种用于显微镜图像中多种物体分割的统一模型

    本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。

    Apr, 2018

  • 针对多种细胞类型和成像方式的活细胞图像训练通用实例分割网络

    本文探讨了通用细胞类型和成像方式的分割网络训练，并发现了一些训练技巧和共性特征，提高了分割性能。实验结果表明，我们的方法能够适用于全新的数据集。

    Jul, 2022

  • 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割

    本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

    Jul, 2023