迭代深度卷积编码器 - 解码器网络的医学图像分割
本文提出了一种基于策略梯度强化学习的超参数自动优化算法,旨在针对医学图像分割任务设计神经网络结构,并提出了一种密集连接编码器 - 解码器 CNN 作为强基线架构,结果表明该算法的计算成本低且效果显著达到了同领域最先进水平。
Jul, 2018
本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型,通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息,以提供标准化的皮肤黑色素瘤患者计算机辅助分析,并通过 ISIC 2018 数据集的训练和验证,在 Jaccard 系数上取得了 0.837 验证准确性,优于 U-Net,相信这种方法可以用于临床实践。
Jan, 2019
本文提出了一种名为 Recurrent Decoding Cell(RDC)的新型特征融合单元,利用卷积 RNN 从前面的层中记忆长期上下文信息,同时基于 RDC 提出了 Convolutional Recurrent Decoding Network(CRDN)用于分割多模态医学 MRI,实验证明引入 RDC 能有效提高分割准确性并减少模型大小,并且所提出的 CRDN 具有在医学 MRI 中对抗图像噪声和强度不均匀性的鲁棒性。
Nov, 2019
本文提出了一种上下文编码网络(CE-Net),用于 2D 医学图像分割,其中包含特征编码器模块、上下文提取器和特征解码器模块,使用预训练的 ResNet 块作为特征提取器,并应用于不同的 2D 医学图像分割任务中,结果表明,所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。
Mar, 2019
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
本文提出了一种深度学习交互分割方法,通过将用户交互与 CNN 结合,使用测地距离变换来提高自动 CNN 分割的精度和鲁棒性,并将用户交互作为硬约束集成到反向传播式 CRF 中,以实现在更高的精度下减少用户干预的目的。实验结果表明,与传统的交互式方法相比,该方法在自动 CNN 分割的基础上实现了大幅提升,并且在少数用户干预和更短的时间内具有可比甚至更高的准确性。
Jul, 2017
本文提出了一种名为 TD-CEDN 的深度轮廓检测算法,该算法采用自上而下的完全卷积编码器 - 解码器网络,并在多尺度、多级特征学习以及前向传播阶段获得原始特征图,然后采用自下而上的方式进行解码,并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测,从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。
May, 2017
经过对 25 种不同的编码器 - 解码器组合的分析,发现 EfficientNet-LinkNet 组合在冠状动脉分割中表现出色,其 Dice 系数为 0.882,95%分位数的 Hausdorff 距离为 4.753,这一发现不仅凸显了我们模型相较于 MICCAI 2020 挑战中的其他模型的优越性,也为冠状动脉分割的未来进展奠定了基础,为改进诊断和治疗策略开辟了新的可能性。
Oct, 2023
本文提出一个新的基于深度学习的交互分割框架,该框架将卷积神经网络(CNN)引入到边界框和涂鸦分割管道中,并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能,实验结果表明我们的方法比现有的 CNN 方法更鲁棒,并能够在更少的用户交互和更短的时间内获得准确的分割结果。
Oct, 2017
将卷积神经网络和 Transformer 架构相结合,提出了一种先进的二维特征提取方法,利用平行编码器和通道注意模块实现更好的医学图像分割准确性。
Jan, 2024