Jan, 2019

基于聚合多分辨率跳跃连接的深度卷积编码器 - 解码器用于皮肤病变分割

PDF
TL;DR本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。
skin melanomaautomatic image segmentationfully convolutional neural networkspyramid pooling modulesjaccard index
发现论文，激发创造
  • SLSDeep：基于扩张残差和金字塔池化网络的皮肤病损分割

    本文介绍了一种称为 SLSDeep 的深度学习皮肤病损分割模型，采用编码器 - 解码器网络，采用负对数似然损失和终点误差的组合损失函数进行端到端的自动诊断，实现了准确的黑色素瘤区域分割，并在 ISBI 2016 和 2017 上进行了评估，其具有优于现有方法的准确性，能够在最新的 GPU 上每秒处理超过 100 张 384x384 大小图像的能力。

    May, 2018

  • 采用空洞可分离卷积的编码器 - 解码器用于语义图像分割

    本文介绍了一种深度学习模型 DeepLabv3+，将网络的编码器和解码器模块相结合，采用空洞空间金字塔池化和深度可分离卷积技术，用于语义分割任务，实验表明该模型取得 89.0% 和 82.1% 的测试集性能，且附有 TensorFlow 参考实现。

    Feb, 2018

  • 基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进

    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

  • 基于 Transformer 网络的皮肤病变分割的跨尺度依赖建模

    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

  • 迭代深度卷积编码器 - 解码器网络的医学图像分割

    本文提出了一种新的基于迭代深度学习框架的医学图像分割方法，使用迭代学习方法和编码器 - 解码器网络，结合卷积编码器和迭代学习，可以精确定位具有复杂形状或详细纹理的 ROI，实验结果表明该方法可以对各种医学图像进行良好的分割。

    Aug, 2017

  • 提高黑色素瘤诊断可信度：强制卷积网络从病变中学习

    本研究提出了一种基于 EfficientNet 和椭圆分割模型的黑素瘤检测方法，测试结果表明该方法可显著提高诊断准确率和信心水平。

    May, 2023

  • 皮肤病损检测和分割的多任务框架

    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

  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • IARS SegNet：可解释的注意力残差跳跃连接 SegNet 用于黑色素瘤分割

    深度学习模型在皮肤病变分割中表现出良好的准确性，但其广泛应用于实际临床环境受到其内在黑盒特性的限制。本文提出了基于 SegNet 基准模型的高级分割框架 IARS SegNet，该方法通过引入跳跃连接、残差卷积和全局注意机制来突出临床相关区域的重要性，特别是皮肤病变的轮廓，并实现更准确的黑色素瘤诊断。

    Oct, 2023

  • 皮肤病变定位和分割的检测器 - 分割师网络

    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