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
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
通过整合卷积和 Transformer 的优点,提出了一种名为 BRAU-Net++ 的混合 CNN-Transformer 网络,用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器 - 解码器结构,以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道 - 空间注意力,最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验,表明我们提出的方法在几乎所有评估指标上超过了包括其基准:BRAU-Net 在内的其他最先进方法。
Jan, 2024
本研究提出了一种名为 DA-TransUNet 的新型深度医学图像分割框架,将 Transformer 和双注意力块引入传统 U 形架构的编码器和解码器中,通过注意力机制和多方面特征提取来增强医学图像分割,并通过实验结果证明 DA-TransUNet 在各个医学图像分割基准测试中显著优于现有方法。
Oct, 2023
本研究提出了一种基于 U-Net 的深度学习方法,利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割,可以改进前列腺癌的检测和诊断工作流程。该模型与七种不同的基于 U-Net 的架构进行了比较,并通过 Dice Score (DSC) 和 Intersection over Union (IoU) 评估了每个模型在中央区域 (CZ)、外周区域 (PZ)、转换区域 (TZ) 和肿瘤区域的自动分割性能。该提出的方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%,在本研究中的大多数模型中表现优异,仅次于 R2U-Net 和注意力 R2U-Net 架构。
Sep, 2023
提出了一种名为 AttResDU-Net 的基于注意力机制的残差双 U-Net 架构,旨在提高医学图像分割的效率,以实现自动肺癌和皮肤癌的快速准确诊断。
Jun, 2023
提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战,通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny 滤波器进行边缘检测的方式来扩展特征空间,提供了语义分割的鲁棒解决方案,对于有限的训练数据的多类问题具有推进意义。
Dec, 2023
本文提出了一种改进的 UNet 结构,称为 SLCA UNet,它结合了残差密集块、分层注意力和通道注意力模块,以及堆叠卷积。在脑肿瘤分割上,该方法在 BraTS 2020 数据集上表现良好,平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。
Jul, 2023
我们提出了一种新颖的技术,使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型,并与 U-Net 及其残差变体进行对比,结果表明性能颇具竞争力。
Feb, 2019
使用 Columbia-University-Net (CU-Net) 架构和 BraTS 2019 数据集,本研究提出了一种精确分割脑肿瘤的新方法,该方法通过卷积层、最大池化和上采样操作构建对称 U 型结构的 CU-Net 模型,Dice 系数高达 82.41%,超过了其他两个最先进的模型,这种分割准确性的提升突显了该模型的鲁棒性和有效性,有助于精确确定肿瘤边界,对于手术规划和放射治疗至关重要,最终有潜力改善患者预后。
Jun, 2024