递归显著性转换网络:融合多阶段视觉提示进行小器官分割
这篇论文提出了一种结合了卷积神经网络和循环神经网络的方法,利用 LSTM 进行序列处理来解决胰腺 CT 和 MRI 扫描的精确分割问题,且提出了一种名为 Jaccard Loss 的新的分割损失函数,优化 Jaccard 指数直接达到了比 CT 和 MRI 胰腺分割的现有方法更好的效果。
Jul, 2017
使用器官注意力网络,结合反向连接,以 2D 视图特征分割 3D CT 体积中的腹部器官。统计融合不同方向上的 2D 视图,实现准确和鲁棒的分割结果。
Apr, 2018
论文提出采用固定点模型,利用预测分割掩码来缩小输入区域,从而提高深度神经网络在腹部 CT 图像中的器官分割准确性,针对胰腺等较小的器官分割效果得到明显提升。在 NIH 胰腺分割数据集上表现出超过 4% 的优异表现。
Dec, 2016
提出了一种基于时空一致的显著性检测的新型有效的非刚性物体跟踪框架,其中利用了定制的完全卷积神经网络 (TFCN) 来建模该图像区域的本地显著性先验,同时提出了多尺度多区域机制来生成本地显著性地图,最后,利用预测的显著性地图,提出了一个非刚性物体跟踪算法,该算法在显著性检测和视觉跟踪方面都取得了竞争性的性能。
Feb, 2018
本文提出了一种基于 ConvNets 和 CT 扫描的分层粗到细分割方法,用于自动识别和分割腹部内器官,特别是胰腺。在 82 名患者的 CT 图像上进行了交叉验证,结果表明该方法可以实现高达 83.6%±6.3%的分割准确率。
Jun, 2015
近期 AI 的进展正在导致传统诊断方法的衰退,而实现端到端的诊断即将快速到来。超声图像分割是诊断过程中的重要一步,准确且稳健的分割模型加快了该过程,减轻了超声医生的负担。与以前的研究不同,我们考虑了超声图像的两个固有特征:(1)不同的器官和组织在空间尺寸上有所变化,(2)人体内部的解剖结构形成了相对恒定的空间关系。基于这两个想法,我们提出了一种新的图像分割模型,结合了 Feature Pyramid Network (FPN) 和 Spatial Recurrent Neural Network (SRNN)。我们讨论了为什么使用 FPN 来提取不同尺度的解剖结构,以及如何实现 SRNN 来提取腹部超声图像中的空间上下文特征。
Aug, 2023
提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络,以及一种关注性生成跨模态分割方法,该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。
Apr, 2023
本文提出了一种基于循环注意卷积 - 反卷积网络(RACDNN)的显着性检测方法,可以解决多尺度对象问题,并通过通过利用时空转换和回归网络单元来迭代地检测图片区域,从而优化检测表现,同时利用过去迭代数据来提高后续迭代的性能,在多个难以检测的数据集上验证了其有效性,并且胜过现有的显着性检测方法。
Apr, 2016
提出了一种混合有导师的框架(StMt),通过使用部分标记和未标记的数据进行腹部器官和肿瘤的分割。采用两阶段分割流程和基于整体体积的输入策略,以最大程度地提高分割准确性,并同时满足推断时间和 GPU 内存使用的要求。在 FLARE2023 的验证集上的实验表明,我们的方法在分割性能、速度和资源利用方面都表现优异。平均 DSC 分数为 89.79% 和 45.55%,平均运行时间为 11.25 秒,GPU 内存 - 时间曲线下的面积为 9627.82MB。
Sep, 2023