U-Net 及其变体在医学图像分割中的应用与理论
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
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
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
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
在这篇论文中,我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点,并在两个基准数据集(结核病胸部 X 射线和卵巢肿瘤)上定量评估了它们的性能。最后,我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。
Aug, 2023
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
本文旨在利用 Pytorch 从零开始实现 UNet 模型并在多个生物医学图像数据集上评估其性能,另外,我们使用迁移学习将修改后的 UNet 分割模型应用于生物医学图像数据集,发现迁移学习模型在图像分割方面表现更为优异。
May, 2023
本论文提出了一种改进 U-Net 模型的多分辨率结构 MultiResUNet,相较于理想情况下的图像,在处理挑战性医学图像方面实现了显著的性能提高,此提升在五种不同的医学图像数据集中分别达到了 10.15%,5.07%,2.63%,1.41%和 0.62%的相对改进。
Feb, 2019
利用人工智能中的深度学习技术,基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化,该框架不需要人工参与,能够自动适应不同的数据集和分割任务,同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。
Apr, 2019
本文旨在探讨深度学习技术在心脏短轴 MRI 影像的语义分割中的应用,旨在增强与心脏相关的医疗疾病的诊断、监测和治疗,重点是实施各种派生于 U-Net 的体系结构,以有效地分离心脏的具体部分进行综合解剖和功能分析,并通过图像、图表和定量指标的结合来展示模型及其预测的效果,并讨论了遇到的挑战和未来改进的策略。这篇摘要简要概述了利用深度学习进行心脏图像分割的努力,强调了成就和进一步改进的领域。
Jan, 2024