Retina U-Net：基于分割监督的医学目标检测方法

Nov, 2018

Retina U-Net：基于分割监督的医学目标检测方法

Retina U-Net: Embarrassingly Simple Exploitation of Segmentation Supervision for Medical Object Detection

Paul F. Jaeger, Simon A. A. Kohl, Sebastian Bickelhaupt, Fabian Isensee, Tristan Anselm Kuder...

TL;DR本文提出了一种新颖的 Retina U-Net 结构，以提高小型医学图像数据集中目标检测效率，该结构自然地将单级探测器与医学图像语义分割中广泛使用的 U-Net 架构相结合，并通过补充对象检测与语义分割形式的辅助任务来重新捕获监督信号，从而取得更好的检测效果。

Abstract

The task of localizing and categorizing objects in medical images often remains formulated as a semantic segmentation problem. This approach, however, only indirectly solves the coarse localization task by predic

medical images semantic segmentation retina u-net object detection supervision signals

发现论文，激发创造

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

学习分割视网膜病变及其他

本文提出了一种名为 “Lesion-Net” 的新型全卷积网络，通过像素级视网膜病变分割和图像级疾病分类相结合，解决了糖尿病性视网膜病变分级的三大挑战，即缺乏客观边界的病变、病变的临床重要性与其大小无关，以及病变和疾病类别之间缺乏一对一的对应关系。在一组包含 12K 张眼底图像和 8 种视网膜病变的手动标记数据集上进行了广泛实验，表明我们的方法在病变分割、病变分类和糖尿病性视网膜病变分级等多个任务上均优于现有方法。

Dec, 2019

U-Net 及其变体在医学图像分割中的应用：简要综述

本文综述了使用 U-Net 及其变体进行医学图像分割的技术。医学图像的非侵入性诊断需要准确的分割图像。本文也概述了医学图像分割的发展、深度神经网络的优缺点以及不同混合体系结构的建立。最后提出了当前的挑战和未来的发展方向。

Apr, 2022

nnU-Net：基于 U-Net 的医学图像分割的自适应框架

本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架，用于医学影像分割任务，其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。

Sep, 2018

U-Net: 生物医学图像分割的卷积神经网络

该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

May, 2015

深度监督加附加标签的视网膜血管分割任务

该研究提出了一种基于深度学习的新方法，通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割，实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美，具有 97.99％的 AUC，并且运行时间更有效率。

Jun, 2018

RetinaFace：野外密集人脸定位的单阶段方法

本文介绍了一种名为 RetinaFace 的检测器，采用联合额外监督和自监督多任务学习，在各种尺度的人脸上实现了像素级别的人脸定位，并采用 5 个额外的面部标记，取得了显著的性能提升。

May, 2019

基于图像级回归的不确定性感知视网膜图像分割

将视网膜图像分割任务视为图像级回归，通过引入 SAUNA 变换和广义的 Jaccard 度量损失训练 U-Net 模型，在 5 个视网膜图像数据集上优于最近发表的方法。

May, 2024

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

UNet 及其变体在医学图像分割中的性能分析

通过探索深度学习模型在医学图像分割中的应用，特别关注 UNet 架构及其变体，本研究评估了这些模型在各种挑战性医学图像分割任务中的表现，并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示，经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型；而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外，本研究还着重解决高类别不平衡问题，通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解，并为其实施提供指导和最佳实践。

Sep, 2023