MMNov, 2022

反馈链网络用于海马分割

PDF
TL;DR本文将深度学习技术应用于海马分割任务，提出了一种新的分层反馈链网络，通过分层特征聚合反馈链学习每个编码器层的更深更广的特征表示，并通过特征交接注意模块实现特征选择和反馈。在特征编码器和解码器之间嵌入了全局金字塔注意单元，包括实现相邻注意交互的成对金字塔注意模块和捕捉长程知识的全局上下文建模模块。与现有的海马分割方法相比，在三个公开数据集上，所提出的方法实现了最先进的性能。
发现论文，激发创造
  • 深度学习医学图像分割

    通过对 ADNI 海马 MRI 数据集进行分割实验，比较了不同的三维海马分割卷积架构的有效性和效率，结果表明，与简单的二维块相比，稍微非传统的 “堆叠的 2D” 方法提供了更好的分类性能，并且不需要额外的计算能力。同样我们也测试了一种流行的 “三平面” 方法，发现它提供了比 2D 方法更好的结果，但需要适度增加计算能力的要求。最后，我们评估了完整的三维卷积体系结构，并发现它提供了比三平面方法略好的结果，但代价是需要非常大的计算能力要求。

    May, 2015

  • 细胞图像分割的反馈注意力

    本文用类似于人类大脑的反馈处理机制解决了细胞图像分割任务，其中提出的使用反馈注意力机制的 U-Net 模型优于只使用前向传播的传统方法。

    Aug, 2020

  • 使用人工神经网络探究依赖于海马的任务中场景感知的神经表示

    该研究通过使用三元组损失训练深度神经网络，使其学习场景感知任务和无监督的目标分割，在编码和解码中使用分解的潜在空间，实现在视角变换时实现场景的转换和重建。

    Mar, 2023

  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • FANet：一种反馈注意力网络，用于改进生物医学图像分割

    在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提高。

    Mar, 2021

  • 用混合脉冲神经网络微调进行海马分割

    本文提出了一种基于 ANN-SNN 转换和基于脉冲的反向传播的混合 SNN 训练方案，并将其应用于磁共振图像中人类海马的分割。与转换和直接训练方案相比，我们的方法在分割准确度和训练效率方面具有优势。实验证明了我们模型的有效性。

    Feb, 2023

  • 反馈 U-net 用于细胞图像分割

    该研究提出了使用卷积 LSTM 来进行分割的反馈 U-Net 方法，通过将输出反馈到输入并提取特征来优化分割过程，结果在果蝇和老鼠细胞图像数据集中优于传统的前馈 U-Net 方法。

    Apr, 2020

  • 海马自编码器中连续输入空间的离散化

    形成离散的视觉事件记忆可以在稀疏自编码神经元产生类似海马区位置细胞的空间调谐，并能在高维空间中以最小重叠的方式离散化和覆盖底层图像空间，同时在听觉领域也能类似地经验依赖性地覆盖频率空间，最后我们展示了强化学习代理能够有效地使用这些稀疏、高维表示执行各种视觉 - 空间认知任务。

    May, 2024

  • 海马动态与深度卷积网络的上下文调制

    本文探讨了生物神经回路和人工神经网络中的并行处理路径对神经计算的影响，并提出了一种机制，通过在深度学习中引入上下文感应性偏差，优化神经网络的性能，实现了对神经元形成的调节和驱动网络活动的平衡，将此方法运用于 CIFAR-100 和 Fashion-MNIST 数据集，大幅提高了网络性能，而无需增加网络大小。

    Nov, 2017

  • 使用循环神经模块学习分层信息流

    ThalNet 是一个深度学习模型，通过 Thalamus 受到新皮质通讯的启发，由循环神经网络模块组成，并通过路由中心发送特征，赋予模块在多个时间步骤上分享特征的灵活性。我们观察到通用架构，如前馈神经网络和跳跃连接，在我们的架构中成为特例，同时学习了新的文本压缩任务的连接模式。我们的模型在几个顺序基准测试上优于标准循环神经网络。

    Jun, 2017