ICLRSep, 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

PDF
TL;DR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。
3d medical vitshierarchical transformersvolumetric segmentationconvnet modulesmodel parameters
发现论文，激发创造
  • DeformUX-Net：带有深度可变卷积的医学图像分割 3D 基础骨干的探索

    本文介绍了 3D DeformUX-Net，一种创新的体积卷积神经网络模型，它灵活地处理了传统上与 ViTs 和大内核卷积相关的缺点，并且在四个具有挑战性的公共数据集上持续优于现有的最先进的 ViTs 和大内核卷积模型。

    Sep, 2023

  • UXNet: 为 3D 医学图像分割搜索多级特征聚合

    该论文提出了一种名为 UXNet 的新型 NAS 方法，旨在寻找 3D 医学图像分割中的比例级特征聚合策略和编码器 - 解码器网络中块状操作符，相比于最近的 NAS 方法，UXNet 架构发现的性能优于现有的最先进模型，并且具有较低的计算复杂度。

    Sep, 2020

  • 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

  • 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

  • AFTer-UNet：医学图像分割轴向融合 Transformer UNet

    本篇论文提出了一种名为 Axial Fusion Transformer UNet (AFTer-UNet) 的方法，它结合了卷积层和 Transformer 的优势，同时考虑了切片内和切片间的长距离信息，在医学图像分割中优于现有技术。

    Oct, 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

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

    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。

    Jan, 2022

  • 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

  • NexToU: 高效拓扑感知 U-Net 用于医学图像分割

    本文提出了一种新的混合架构，NexToU，用于医学图像分割，其中融合了图神经网络和传统的 CNN、Transformer，表现优于其他最先进结构。

    May, 2023

  • 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