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

PDF
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。
发现论文，激发创造
  • 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

  • BRAU-Net++：基于 U 形混合 CNN-Transformer 网络的医学图像分割

    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

  • DA-TransUNet：利用 Transformer U-Net 集成空间和通道双重注意力进行医学图像分割

    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

  • FAU-Net: 一个具有特征金字塔注意力的注意力 U-Net 扩展用于前列腺癌分割

    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

  • 基于注意力机制残差双 U-Net 的医学图像分割

    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

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了 SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024

  • 使用特征融合的双注意力 U-Net：拓展多类缺陷分割的边界

    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

  • 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割

    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

  • 基于注意力机制的全卷积网络 ——FocusNet—— 用于医学图像分割

    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

  • CU-Net：一种用于 BraTS 2019 数据集上高效脑肿瘤分割的 U-Net 架构

    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