T-AutoML：使用 3D 医学影像变换器进行病变分割的自动化机器学习

ICCVNov, 2021

T-AutoML：使用 3D 医学影像变换器进行病变分割的自动化机器学习

T-AutoML: Automated Machine Learning for Lesion Segmentation using Transformers in 3D Medical Imaging

Dong Yang, Andriy Myronenko, Xiaosong Wang, Ziyue Xu, Holger R. Roth...

TL;DR本文提出了一种新的自动化机器学习算法 T-AutoML，它不仅可以搜索最佳神经结构，而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先进的性能。

Abstract

lesion segmentation in medical imaging has been an important topic in clinical research. Researchers have proposed various detection and segmentation algorithms to address this task. Recently, deep learning-based

lesion segmentation deep learning automated machine learning hyper-parameters transformer model

发现论文，激发创造

Transformer-CNN 融合架构用于增强皮肤病变分割

通过融合 transformers 和 CNNs，我们提出了一种混合架构用于医学图像分割，旨在克服 CNNs 在捕捉全局依赖性和局部空间细节方面的局限性。我们通过比较各种架构和配置，并进行多次实验来评估它们的有效性。

Jan, 2024

从 CNN 到 Transformer：医学图像分割模型综述

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

医学影像的自动化机器学习系统

该研究探讨了机器学习和自动化机器学习在医学图像分析中的应用，通过使用神经架构搜索和迁移学习等技术来改善人类专家和计算机系统的诊断准确性。

Jun, 2023

基于 Transformer 的卒中分割架构：综述

依赖于诊断工具及深度学习方法，该论文旨在探索基于 Transformer 的创新架构在中风分割领域的应用，提供详细的分析和评估，同时探讨未来的研究发展方向。

Mar, 2024

利用自动增强和搜索优化技术改进基于 Transformer 的乳腺癌诊断分割

这篇论文介绍了一种将自动图像增强选择（RandAugment）与搜索优化策略（基于树的 Parzen 估计器）相结合的方法，用于确定图像增强数量和相关增强参数的最佳值，从而提高分割性能。在乳腺癌组织切片中经过实证验证后，我们的结果表明，这种方法使得分割模型对组织切片变异更具弹性，同时保持高水平的分割性能，并在与以往研究相比较时显示出改善的肿瘤类别分割。

Nov, 2023

基于深度学习模型的脑卒中分割：一项比较研究

本研究选择了四种深度模型进行中风分割，即纯 Transformer 结构 (DAE-Former)，两种带有注意机制的先进 CNN 模型 (LKA 和 DLKA)，一种将 CNN 与 Transformer 结合的高级混合模型 (FCT)，以及以给定数据为基础的自适应 nnUNet 框架，并在两个公开可用的数据集上进行了评估，结果表明 nnUNet 在所有模型中具有最简单的设计，并通过强调预处理和后处理技术来提高分割结果，超越了仅关注架构设计的重要性。

Mar, 2024

基于迁移学习的脑部损伤分割元分析

本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

Jun, 2023

3D 脑部瘤分割的 3D 融合 Transformer

该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

Apr, 2023

使用注意力模型自动标注 MRI 扫描放射学报告（ALARM）

本文介绍了一种基于 Transformer 网络的医学影像分类方法，通过自动标注专家医学报告中的图像标签，克服了大规模数据集标注的困难，其表现相当于专家放射科医师，高于专业医生，该方法可行性很高，并提供了在线代码以帮助研究人员标记自己的 MRI 数据集以供医学应用。

Feb, 2020

D-TrAttUnet：面向医学图像的通用和细微分割的混合 CNN-Transformer 架构

近 20 年来，医学影像的机器分析迅猛发展，为几个重要的医疗应用提供了巨大的潜力。其中，病变分割是一个特别具有挑战性的任务，有着迫切的需求，而我们提出的新型解决方案 ——D-TrAttUnet 架构在 Covid-19 和骨转移分割的任务中取得了优越的表现，并且其混合编码器在腺体和细胞核的分割中也表现出色，巩固了它在现代医学图像分析中的地位。

May, 2024