DCSAU-Net：一种用于医学图像分割的更深更紧凑的分离式注意力 U-Net

Feb, 2022

DCSAU-Net：一种用于医学图像分割的更深更紧凑的分离式注意力 U-Net

DCSAU-Net: A Deeper and More Compact Split-Attention U-Net for Medical Image Segmentation

Qing Xu, Wenting Duan, Na He

TL;DR本文提出了一种更深、更紧凑的深度学习结构DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

Abstract

Image segmentation is a key step for medical image analysis. Approaches based on deep neural networks have been introduced and performed more reliable results than traditional image processing methods. However, many models focus on one medical image application and still show limited abilities to work with complex images. In this paper, we propose a novel de

发现论文，激发创造

MultiResUNet：重新思考U-Net架构的多模态生物医学图像分割

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

DoubleU-Net: 医学图像分割的深度卷积神经网络

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

U-Net及其变体在医学图像分割中的应用与理论

U-net是一种主要用于医学图像分析的图像分割技术，可以使用少量的训练数据对图像进行精确分割。本文回顾了U-net架构的各种发展，并探讨了最近的趋势。我们研究了深度学习中的各种创新，并讨论了这些工具如何促进U- net。此外，我们还研究了U-net已应用的图像模态和应用领域。

Nov, 2020

U-Net 及其变体在医学图像分割中的应用：简要综述

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

STU-Net：借助大规模监督预训练提升可伸缩和可迁移的医学图像分割模型

本文提出了可扩展和可转移的U-Net (STU-Net)模型, 参数从1400万到14亿, 并在大规模的医学分割数据集上表现良好, 并评估其在14个下游数据集上的可转移性。

Apr, 2023

改进医学图像分割中的U-Net变体的混合方法

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

LHU-Net：一种用于高效、高性能体积型医学图像分割的轻型混合 U-Net

通过结合Transformer架构与卷积神经网络（CNNs）的优势，提出一种优化的体积型医学图像分割网络LHU-Net，旨在在初期层次优先进行空间特征分析，然后转向更深层次的基于通道的特征，从而全面提取特征，取得了具有高效性和准确性的卓越性能。

Apr, 2024

nnU-Net重新审视：对3D医学图像分割的严格验证的呼吁

通过细致避免使用不充分的基线、不足够的数据集和忽视计算资源等常见验证缺陷，我们对当前分割方法进行了全面而彻底的基准测试，结果表明：1）采用包括ResNet和ConvNeXt变体在内的基于CNN的U-Net模型，2）使用nnU-Net框架，以及3）将模型缩放到现代硬件资源规模，可以实现最先进的性能，揭示了领域内对新颖架构持续的创新偏见，并强调了在科学进步中更为严格的验证标准的必要性。

Apr, 2024

DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络

通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为DmADs-Net的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

May, 2024

利用Mini-Net推进医学图像分割：一种为医学图像高效分割量身定制的轻量级解决方案

我们提出了Mini-Net，一个专门为医学图像设计的轻量级分割网络，通过少于38,000个参数高效捕捉高频和低频特征，从而实现在各种医学成像场景中的实时应用，并在DRIVE、STARE、ISIC-2016、ISIC-2018和MoNuSeg等各种数据集上评估了Mini-Net，展现了它与最先进方法相比的稳健性和良好性能。

May, 2024