Jan, 2022

Swin UNETR: 基于Swin Transformers的MRI图像脑瘤语义分割

HTML
PDF
TL;DR利用Swint UNEt TRansformers模型和多模MRI数据对3D颅脑肿瘤进行语义分割，可以转换为序列预测问题，以5个不同分辨率提取特征，通过跳过连接连接到FCNN解码器，并在BraTS 2021分割挑战中表现出优越的性能。
发现论文，激发创造
  • DoDNet: 学习从多个部分标记的数据集中分割多个器官和肿瘤

    本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和/或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器-解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet更加高效，代码和数据集可在链接中获得。

    Nov, 2020

  • UNETR: 用于3D医学图像分割的变压器

    本篇论文介绍了一种新的UNETR架构，通过使用Transformer作为编码器，可以捕捉更长程的空间依赖性，同时保持“U形”的网络设计。实验证明，在多个数据集上，该方法在多器官分割任务上取得了最新的最优性能。

    Mar, 2021

  • Swin-Unet: 纯Transformer风格的Unet模型用于医学图像分割

    该研究提出了 Swin-Unet，一种基于 Transformer 的 Unet 用于医学图像分割，它通过层次 Swin Transformer 与 SHIFT 窗口技术来提取上下文特征，使得该纯 Transformer 的编码解码网络在多器官和心脏分割任务方面表现超越传统的基于卷积和变换的方法。

    May, 2021

  • DS-TransUNet: 医学图像分割的双 Swin Transformer U-Net

    本研究提出了Dual Swin Transformer U-Net (DS-TransUNet)框架，它是第一次尝试将Swin Transformer的优势同时融入到标准U形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet显著优于现有的医学图像分割方法。

    Jun, 2021

  • Swin Transformer 自监督预训练用于三维医学图像分析

    本文介绍了一种自我监督学习框架，使用适合医学图像分析的代理任务，成功地在各种人体器官的公开可用的 CT 图像上预训练模型，并在医学分割基准数据集上进行了微调，实现了最先进的匹配结果。

    Nov, 2021

  • UNetFormer: 用于三维医学图像分割的统一视觉Transformer模型和预训练框架

    本文提出了一个统一的框架，它由两个体系结构组成，称为UNetFormer，具有基于3D Swin变压器的编码器和卷积神经网络和变压器的解码器。该架构的设计允许在准确性和计算成本之间满足宽范围的权衡要求。使用CT图像进行自我监督预训练，使用Medical Segmentation Decathlon（MSD）数据集进行肝和肝肿瘤分割任务的Fine-tune和测试，并使用MRI图像的BraTS 21数据集进行脑肿瘤分割，并在Dice评分方面优于其他方法。

    Apr, 2022

  • 3D UX-Net:基于大卷积核优化分层变换的医学图像分割立体卷积网络

    该研究提出了一种轻量级体积卷积网络（3D UX-Net），它使用ConvNet模块来适应分层变换器进行稳健的体积分割，与当前SOTA变换器相比表现竞争力，并在三个具有挑战性的公共数据集上显示出更好的Dice系数。

    Sep, 2022

  • 多维统一Swin Transformer用于多解剖位置的3D病变分割

    在肿瘤学研究中，准确的CT扫描病灶3D分割对于病灶生长动力学的建模至关重要。然而，根据RECIST准则，放射科医生通常仅在显示最大横截面面积的轴位切片上勾画每个病灶，并在研究目的上勾画少量的3D病灶。因此，我们有大量未标记的3D体积和带标签的2D图像，以及稀缺的标记的3D体积，这使得训练深度学习3D分割模型成为一项具有挑战性的任务。本研究提出了一种新模型，称为多维统一的Swin Transformer (MDU-ST)，用于3D病灶分割。MDU-ST由一个偏移窗口变换器 (Swin-transformer) 编码器和一个卷积神经网络 (CNN) 解码器组成，使其能够适应2D和3D输入，并在同一编码器中学习相应的语义信息。基于该模型，我们引入了一个三阶段框架：1) 通过自我监督的先验任务利用大量未标记的3D病灶体积来学习Swin-transformer编码器中病灶解剖学的潜在模式；2) 对Swin-transformer编码器进行微调，以使用2D RECIST切片执行2D病灶分割，学习切片级分割信息；3) 进一步对Swin-transformer编码器进行微调，以使用带标签的3D体积执行3D病灶分割。该网络的性能通过Dice相似系数 (DSC) 和Hausdorff距离 (HD) 在一个内部的3D病灶数据集上进行评估，其中包含来自多个解剖位置的593个病灶。所提出的MDU-ST相比竞争模型表现出显著改进。该方法可用于进行自动化的3D病灶分割以辅助放射组学和肿瘤生长建模研究。本论文已被IEEE国际生物医学成像研讨会(ISBI) 2023接受。

    Sep, 2023

  • Swin SMT：3D医学图像分割中的全局序列建模

    基于 Swin UNETR 架构，引入了 Soft Mixture Transformer（Swin SMT）模型，该模型使用 Soft MoE 处理复杂和多样的远距离依赖关系，在 WBCT 扫描中超越了其他方法，在三维解剖结构分割方面取得了85.09%的平均 Dice 相似系数。

    Jul, 2024

  • 优化医疗图像分割的高级解码器设计

    本研究解决了现有 U-Net 变体在解码器设计上的不足，创新性地提出了 Swin DER，通过优化上采样方法、跳跃连接和特征提取模块，显著提升了医疗图像分割性能。研究表明，Swin DER 在 Synapse 和 MSD 脑肿瘤分割任务上超越了许多现有的最先进方法，具有良好的实际应用潜力。

    Oct, 2024