基于全卷积网络的皮肤病变分割中的星形先验
本文提出了一种基于Equally-weighted Focal U-Net的自动化3D形状实例化方法,证明该方法在标记分割和3D形状实例化方面具有较高的精度,对于机器人路径规划也具有重要意义。
Nov, 2017
本研究采用多种流行的 FCNN 模型,在其基础上进行网络结构调整并使用分层 Dice 损失函数来提高基于 MRI 图像的脑肿瘤分割效果。经过大量实验对比,验证了新型网络和损失函数相比于传统方法在精度、召回率、mIoU 和 DSC 等性能指标上的有效性。
Dec, 2017
使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络(CNN)的联合检测和分割框架,对皮肤病变进行准确和自动地划分,并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。
Aug, 2018
该研究提出了一种简单而新颖的基于卷积神经网络(CNN)的“网络中的网络”方法,用于分割皮肤病变。作者使用了一种名为Faster RCNN的方法进行预处理,配合UNet和Hourglass网络实现皮肤病变的分割。在ISIC 2018数据集上,该方法的Dice相似度系数达到0.915,准确率达到0.959,在ISBI 2017数据集上,Dice相似度系数达到0.947,准确率达到0.971。
May, 2020
通过提出CASCN网络,利用U-Net、DenseNet、Separable Convolution、Channel Attention和Atrous Spatial Pyramid Pooling等先进机制,实现皮肤病变分割,并在PH2数据集上取得了最佳性能(Dice相似系数为0.9461,准确率为0.9645)。
Sep, 2023
提出一种基于Hierarchical Transformer的U型结构用于皮损分割,以及一种使用注意力相关性自适应地组合每个阶段的上下文来减轻语义差距的Inter-scale Context Fusion(ISCF)方法。
Oct, 2023
本研究提出并评估了一种基于分层 Transformer 结构的 U 型网络模型用于皮肤病变分割,同时提出了一种自适应地结合每个阶段上下文的 Inter-scale Context Fusion (ISCF) 方法,初步结果证明了ISCF模块在皮肤病变分割基准上的适用性和效能。
Oct, 2023
本文针对皮肤病变分割中面临的挑战,提出了一种新颖的AD-Net方法,结合了注意力机制与膨胀卷积残差网络,以增强空间特征并优化解码过程。研究结果表明,该方法在需要更少模型参数的情况下,准确性优于现有顶尖方法,显著降低了训练所需的标注数据量。
Sep, 2024
本研究旨在解决皮肤病损分割中的关键挑战,尤其是在处理不同尺寸病损和不明显目标区域时的困难。提出的SkinMamba架构结合了Mamba和CNN的优势,能有效捕捉全局上下文关系并实现线性复杂度,提供了精确的边界引导,从而在公共数据集上展示了其强大的竞争力和潜在影响。
Sep, 2024
本研究解决了现有医学图像分割方法未充分利用形状-强度先验信息的问题。作者提出了一种新的方法,将联合形状-强度先验信息融入分割网络中,通过知识蒸馏的方式提升学生网络的分割精度。实验结果表明,所提方法在不同模态的医学图像分割任务中显著改进了多个基线模型的表现,增强了跨数据集的泛化能力。
Sep, 2024