Jan, 2020

使用多尺度特征抽象技术分割部分标记的多器官数据集

PDF
TL;DR本文提出了一种多尺度深度神经网络结构，利用多个部分标注的数据集进行多器官图像分割的训练，采用金字塔输入和特征分析结合的方法解决了来自不同尺度的特征融合所带来的语义鸿沟问题，并引入深度监督机制和自适应加权层，通过实现了 Pyramid Input Pyramid Output Feature Abstraction Network (PIPO-FAN)，在四个公开数据集上达到了非常好的效果。
发现论文，激发创造
  • 一种基于多尺度特征金字塔网络和双重注意力机制的腹部 MRI 图像分割算法

    该研究提出了一种基于多尺度特征金字塔网络和双重注意机制的 MRI 图像分割方法，通过使用扩张卷积和多尺度特征金字塔网络在编码中避免了语义差距问题，并设计双重注意机制来维护 U-Net 的空间信息和降低不对齐问题。在亚腹部 MRI 图像数据集上的实验表明，该方法比其他方法表现更好。

    May, 2023

  • 用于腹部多器官分割的多尺度金字塔 3D 全卷积网络

    本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

    Jun, 2018

  • 基于特征金字塔网络和空间循环神经网络的腹部多器官分割

    近期 AI 的进展正在导致传统诊断方法的衰退，而实现端到端的诊断即将快速到来。超声图像分割是诊断过程中的重要一步，准确且稳健的分割模型加快了该过程，减轻了超声医生的负担。与以前的研究不同，我们考虑了超声图像的两个固有特征：（1）不同的器官和组织在空间尺寸上有所变化，（2）人体内部的解剖结构形成了相对恒定的空间关系。基于这两个想法，我们提出了一种新的图像分割模型，结合了 Feature Pyramid Network (FPN) 和 Spatial Recurrent Neural Network (SRNN)。我们讨论了为什么使用 FPN 来提取不同尺度的解剖结构，以及如何实现 SRNN 来提取腹部超声图像中的空间上下文特征。

    Aug, 2023

  • 多尺度全卷积神经网络用于组织病理学图像分割：从核异常到全局组织结构

    该论文介绍了一种基于多种尺度的深度神经网络，用于组织病理学的诊断。实验表明，该神经网络能够在低计算成本下提高模型的性能，并有望广泛应用于组织病理学的深度诊断中。

    Sep, 2019

  • 关注尺度：尺度感知的语义图像分割

    本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

    Nov, 2015

  • 基于深度金字塔推理和多尺度增强的注意力型 CT 病变检测

    本篇论文提出了一种基于多尺度增强，结合空间和通道注意力的特征金字塔网络，用于检测计算机断层扫描中的病变，并在 DeepLesion 基准数据集上展开实验证明其优于先前的方法。

    Jul, 2019

  • 少脏器数据集下共训练加权平均模型的多器官分割

    本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

    Aug, 2020

  • FocusNet：头颈 CT 图像的端到端深度神经网络，用于不平衡的大和小器官分割

    本文提出了一种端到端的神经网络模型用于解决头颈 CT 影像中不平衡大小器官分割的问题，并通过特定的小器官网络准确地分割小器官，最终在收集的实际数据和 MICCAI 头颈自动分割竞赛数据集上具有优秀的表现。

    Jul, 2019

  • 具有先前知識的神經網路用於部分監督的多器官分割

    本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

    Apr, 2019

  • MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

    一个基于注意力机制的新型切割框架 MFA-Net（多尺度特征融合注意力网络）在医学 CT 图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明 MFA-Net 在不同尺度的图像上产生更加精确的分割。

    May, 2024