Sep, 2017

H-DenseUNet: 面向CT体积下的肝脏和肿瘤分割的混合密集连接UNet

HTML
PDF
TL;DR本文提出了一种新型的混合密集连接UNet（H-DenseUNet）用于肝脏和肿瘤分割，该方法采用2D DenseUNet和3D UNet相结合的方式提取内部切片特征和聚合体积下的层次上下文信息，并通过混合特征融合（HFF）层联合优化模型。在MICCAI 2017肝肿瘤分割（LiTS）挑战数据集和3DIRCADb数据集上的评估表明，我们的方法在肿瘤分割结果上表现优于其他技术，而在单模型下，甚至可以取得具有一定竞争力的肝脏分割性能。
发现论文，激发创造
  • 使用卷积神经网络和图割自动定位及分割三维肝部影像

    该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法，可在临床设置中实现高效而准确的肝容积估算，可替代耗时且不可重复的手动分割方法。

    May, 2016

  • 基于3D深度监督网络的CT肝脏自动分割

    本文提出了一个新颖的3D深度监督网络（3D DSN）并引入深度监督机制来解决自动肝脏分割的挑战性任务，并且采用条件随机场模型来获得更精细的分割结果。在公共数据集上进行的广泛实验证明，我们的方法可以实现与最先进方法竞争的分割结果，并且具有更快的处理速度。

    Jul, 2016

  • 使用级联完全卷积神经网络自动分割CT和MRI体积中的肝脏和肿瘤

    该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。

    Feb, 2017

  • RA-UNet：一种用于提取CT扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为RA-UNet的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • 采用对象相关高层特征的改进U-Net (mU-Net) 用于CT图像中肝脏和肝肿瘤分割的提升

    本文介绍了一种将残差通路与反卷积和激活操作相结合的 U-Net 架构，用于肝和肝癌的自动分割，进而提高肝癌放疗任务的效率。在 LiTS 2017 数据集上，经验证明这种改进的 U-Net（mU-Net）优于现有的最先进网络。

    Oct, 2019

  • E$^2$Net：一种在CT扫描中用于精确肝脏和肿瘤分割的边缘增强网络

    我们提出了一种两阶段的2D肝脏和肝瘤分割框架，第一阶段是粗略的肝脏分割网络，第二阶段是用于更精确的肝脏和肿瘤分割的边缘增强网络(E$^2$Net)。E$^2$Net在网络内明确地建模互补对象（肝脏和肿瘤）及其边缘信息，以保留器官和病变边界。我们还提出了一个深度交叉特征融合模块，以从两个对象及其边缘中细化多尺度特征。建议的框架在肝和肝肿瘤分割方面表现出优越性能。

    Jul, 2020

  • H-DenseFormer: 一种高效的混合密集连接transformer用于多模态瘤分割

    本文提出了一种名为H-DenseFormer的混合密集连接网络，它结合了卷积神经网络（CNN）和Transformer结构的表示能力，用于多模态医学图像的肿瘤分割，并通过设计轻量级Densely Connected Transformer（DCT）块显著降低计算复杂度。实验证明，该方法在性能和计算复杂度方面均优于现有方法。

    Jul, 2023

  • 基于多尺度MPU-Net的3D医学图像分割

    本文提出了一种基于Transformer和MPU-Net的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023

  • CAFCT：卷积神经网络和Transformer的上下文和注意力特征融合在肝肿瘤分割中的应用

    我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和Transformer混合网络（CAFCT）模型，用于肝肿瘤分割。在所提出的模型中，引入了其他三个模块：注意力特征融合（AFF）、DeepLabv3的Atrous空间金字塔池化（ASPP）和注意力门（AGs），以改善与肿瘤边界相关的上下文信息，以实现准确的分割。实验结果表明，所提出的CAFCT在Liver Tumor Segmentation Benchmark（LiTS）数据集上分别达到了90.38%的平均交并比（IoU）和86.78%的Dice分数，优于Pure CNN或Transformer方法，如Attention U-Net和PVTFormer。

    Jan, 2024

  • MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

    一个基于注意力机制的新型切割框架MFA-Net（多尺度特征融合注意力网络）在医学CT图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明MFA-Net在不同尺度的图像上产生更加精确的分割。

    May, 2024