Feb, 2018

基于U-Net的循环残差卷积神经网络（R2U-Net）用于医学图像分割

HTML
PDF
TL;DR本文介绍了一种基于U-Net的循环卷积神经网络（RCNN）基础上的模型RU-Net和基于U-Net的循环残差卷积神经网络（RRCNN）基础上的模型R2U-Net。这些模型在医学图像分割任务中表现出优异的性能，比U-Net和ResU-Net等等同网络参数的模型表现更好。
发现论文，激发创造
  • MultiResUNet：重新思考U-Net架构的多模态生物医学图像分割

    本论文提出了一种改进U-Net模型的多分辨率结构MultiResUNet，相较于理想情况下的图像，在处理挑战性医学图像方面实现了显著的性能提高，此提升在五种不同的医学图像数据集中分别达到了10.15％，5.07％，2.63％，1.41％和0.62％的相对改进。

    Feb, 2019

  • CE-Net：用于2D医学图像分割的上下文编码器网络

    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

  • 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

  • U-Net及其变体在医学图像分割中的应用与理论

    U-net是一种主要用于医学图像分析的图像分割技术，可以使用少量的训练数据对图像进行精确分割。本文回顾了U-net架构的各种发展，并探讨了最近的趋势。我们研究了深度学习中的各种创新，并讨论了这些工具如何促进U- net。此外，我们还研究了U-net已应用的图像模态和应用领域。

    Nov, 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

  • 使用修改版U-Net实现医学图像分割在边缘设备上

    在本论文中，我们使用修改版的U-Net模型在Intel Movidius神经计算棒2上实现了医学图像分割任务，并通过BraTs数据集的MRI，心脏MRI数据集和ZNSDB数据集的显著降低的参数数量的实验结果，证明了该模型在低计算资源上也可以提供比较优秀的医学图像分割性能。

    Jun, 2022

  • 改进医学图像分割中的U-Net变体的混合方法

    这篇研究论文的主要内容是关于医学图像分割，重点介绍了深度学习方法，包括MultiResUNet和Attention U-Net等变种，并探讨了使用深度分离卷积来减少网络参数需求的可行性。

    Jul, 2023

  • U-Net v2：重新思考U-Net的跳跃连接在医学图像分割中的应用

    该论文介绍了U-Net v2，一种新的稳健高效的医学图像分割变体，旨在将语义信息注入低层特征并通过精细化处理改善高层特征，实验结果表明我们的方法在保持内存和计算效率的同时实现了与最先进方法相比的分割准确性。

    Nov, 2023

  • TBConvL-Net：一种混合深度学习架构用于稳健的医学图像分割

    本文针对医学图像分割中存在的多尺度特征建模和信息交互问题，提出了一种名为TBConvL-Net的新型混合深度学习架构。该模型结合了卷积神经网络（CNN）和视觉变换器（ViT）的优点，显著提升了分割的稳健性，并在多个医疗影像数据集上展示了优于现有方法的性能。

    Sep, 2024

  • KANDU-Net：一种基于KAN的双通道U-Net用于医学图像分割

    本研究针对医学图像分割中U-Net模型的局限性，提出了一种新颖的双通道结构，通过集成KAN网络提升模型的特征捕捉能力。实验结果表明，该KAN卷积双通道模型在数据集上的表现优异，展示了其在医学图像分割任务中的潜在应用价值。

    Sep, 2024