AAAINov, 2019

基于循环解码单元的医学 MRI 分割

PDF
TL;DR本文提出了一种名为 Recurrent Decoding Cell（RDC）的新型特征融合单元，利用卷积 RNN 从前面的层中记忆长期上下文信息，同时基于 RDC 提出了 Convolutional Recurrent Decoding Network（CRDN）用于分割多模态医学 MRI，实验证明引入 RDC 能有效提高分割准确性并减少模型大小，并且所提出的 CRDN 具有在医学 MRI 中对抗图像噪声和强度不均匀性的鲁棒性。
medical image segmentationencoder-decoder networksconvolutional rnnsmulti-modality medical mrisegmentation accuracy
发现论文，激发创造
  • 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

  • 将完全卷积和循环神经网络相结合进行三维生物医学图像分割

    该论文提出了一种新的基于深度学习的 3D 医学图像分割方法，该方法采用了全卷积神经网络和递归神经网络相结合的方式，能够充分利用体像素在不同维度上的相关性以提高分割性能。

    Sep, 2016

  • 卷积循环神经网络用于动态磁共振图像重建

    提出了一种新颖的卷积循环神经网络（CRNN）结构，通过联合利用时间序列的依赖性和传统优化算法的迭代性质，从高度欠采样的 k 空间数据中重建高质量的心脏 MR 图像，同时学习时空相关性，优于当前 MR 重建方法在计算复杂性、重建准确性和速度方面。

    Dec, 2017

  • 图像字幕的循环融合网络

    本文提出了一种使用多个编码器的循环融合网络 (RFNet) 来处理图像字幕生成问题，RFNet 可以利用多个编码器的输出之间的相互作用，生成新的、紧凑而且信息丰富的表示，验证实验表明，RFNet 对于图像字幕生成问题是有效的，并且取得了最新的最好结果。

    Jul, 2018

  • 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

  • 自适应深度监督下密集解码网络的医学图像分割

    提出了一种基于深度神经网络的医学图像分割方法，通过引入 ' 拐杖 ' 网络连接以获得精细的密集预测，并采用自适应深度监督训练策略以提取鲁棒特征。通过在网络解码器的每个上采样阶段引入 ' 拐杖 ' 连接，增强了目标定位和分割性能，并通过匹配网络的有效感受野来指导辅助监督位置的选择，从而实现了对特定输入特征的注意。在 4 个不同模态的多样数据集上验证了该方法的有效性。

    Feb, 2024

  • 使用递归集编码进行点云处理

    本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

    Nov, 2019

  • 使用 3D 生成对抗网络和循环卷积网络进行形状修复

    本文介绍了一种结合了 3D 编码器 - 解码器生成对抗网络（3D-ED-GAN）和长期循环卷积网络（LRCN）的混合框架，以 inpaint 具有语义真实性和上下文细节的 3D 模型，实验结果表明，其能够从损坏的模型中重构出完整且高分辨率的 3D 对象。

    Nov, 2017

  • 特征解耦与重用网络快速交互式分割

    我们提出了一种名为特征解耦循环网络（FDRN）的交互分割方法，通过解耦建模组件并循环利用组件来显著提高整个交互过程的效率，同时保持有利的分割性能。

    Aug, 2023

  • MDNet：多解码器网络用于腹部 CT 器官分割

    使用经过预训练的 MiT-B2 编码器和多个不同的解码器网络，MDNet 利用多尺度特征增强膨胀块连接不同部分的编码器，逐渐增加网络深度并精细化分割掩模，通过整合前面解码器的特征图丰富特征映射，利用前一个解码器的预测掩模进一步提供前景和背景区域的空间关注，从而高度精确地优化分割掩模。在肝肿瘤分割（LiTS）和 MSD 脾脏数据集上，MDNet 实现了 Dice 相似性系数（DSC）分别为 0.9013 和 0.9169，Hausdorff 距离分别为 3.79 和 2.26，凸显了 MDNet 捕捉复杂轮廓的精确性。此外，与其他基准模型相比，MDNet 具有更高的可解释性和稳健性。

    May, 2024