使用修改版 U-Net 实现医学图像分割在边缘设备上
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
本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架,用于医学影像分割任务,其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。
Sep, 2018
通过探索深度学习模型在医学图像分割中的应用,特别关注 UNet 架构及其变体,本研究评估了这些模型在各种挑战性医学图像分割任务中的表现,并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示,经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型;而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外,本研究还着重解决高类别不平衡问题,通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解,并为其实施提供指导和最佳实践。
Sep, 2023
该研究提出了一种基于数据增强的网络和训练策略,用于更有效地利用可用的标注样本,以实现对神经结构的分割和细胞跟踪。研究表明,这种网络可以从极少量的图像中进行端对端的训练,并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果,且速度快。
May, 2015
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
本研究提出了一种用于低资源边缘设备的小型图像分割模型 L^3U-net,引入了一种数据折叠技术,利用 CNN 加速器的并行卷积层处理能力,降低推理延迟,并将该模型部署到 MAX78000 设备,结果表明 L^3U-net 在两个不同的分割数据集上实现了 90% 以上的准确率,每秒处理 10 帧。
Mar, 2022
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
基于医学图像分割任务,我们提出了一种名为 MS-UNet 的新型 U-Net 模型。与 Swin-UNet 和 TransUnet 中使用的单层 U-Net 解码器结构不同,我们专门为 U-Net 设计了基于 Swin Transformer 的多尺度嵌套解码器。我们还提出了一种新颖的边界损失和即插即用微调去噪模块,这不仅有效提高了 MS-UNet 的分割性能,还可以单独应用于其他模型。实验证明,MS-UNet 在更高效的特征学习能力方面有效提升了网络性能,尤其是在少量训练数据的极端情况下,并且所提出的边界损失和去噪模块能显著增强 MS-UNet 的分割性能。
Sep, 2023
该论文介绍了 U-Net v2,一种新的稳健高效的医学图像分割变体,旨在将语义信息注入低层特征并通过精细化处理改善高层特征,实验结果表明我们的方法在保持内存和计算效率的同时实现了与最先进方法相比的分割准确性。
Nov, 2023