本文研究了在具有临床价值的非常小的医疗对象的分割问题。我们发现，卷积神经网络（CNNs）和最近的 Transformer 在图像分割方面取得了重大进展，但在分割本文中涉及的小型医疗对象和病变方面表现不佳。为了应对这一挑战，我们提出了一种名为 EFCNet 的新模型，用于医学图像中的小物体分割。我们的模型包括两个模块：交叉阶段轴向注意力模块（CSAA）和多精度监督模块（MPS）。通过这些模块，我们解决了编码和解码过程中的信息损失问题。 CSAA 从编码器的所有阶段集成特征，以自适应地学习不同解码阶段所需的适当信息，从而减少编码器中的信息损失。另一方面，MPS 向解码器引入了一种新颖的多精度监督机制。该机制在解码器的初始阶段优先关注低分辨率特征，减轻了后续卷积和采样过程导致的信息损失，并增强了模型的全局感知能力。我们在两个基准医学图像数据集上评估了我们的模型。结果表明，EFCNet 明显优于之前设计用于医学和普通图像的分割方法。

Jun, 2024

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

本文提出了一种端到端的神经网络模型用于解决头颈 CT 影像中不平衡大小器官分割的问题，并通过特定的小器官网络准确地分割小器官，最终在收集的实际数据和 MICCAI 头颈自动分割竞赛数据集上具有优秀的表现。

Jul, 2019

提出了一种简单而有效的框架，名为 CARE（Class Attention to Regions of the Lesion），通过在卷积神经网络（CNNs）的训练过程中引入注意力机制来处理数据不平衡问题。实验证明，该方法能够有效帮助网络专注于罕见疾病的损伤区域，显著提高了罕见疾病的分类性能。

Jul, 2023

提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

Nov, 2018

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。

Feb, 2022

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

使用扩张卷积模块和交叉注意力网络对结肠内镜图像中的息肉进行分割，并结合数据增强技术和全局平均池化的方法，在处理不规则息肉形状时实现了明显的改进。

Apr, 2024

在本文中，我们提出了基于高效轴向注意力的多尺度交叉轴向注意力（MCA）来解决医学图像分割中的多尺度信息获取和像素之间的长程依赖问题，通过计算两个平行轴向注意力之间的双交叉注意力来更好地捕捉全局信息。同时，我们还使用不同核尺寸的多个条状卷积来处理病变区域或器官的显著变化，以提高空间信息的编码效率。经过实验证明，我们的网络 MCANet 仅具有 4M + 参数，在皮肤病变分割、细胞核分割、腹部多器官分割和息肉分割等四个具有挑战性的任务上，表现比大型骨干模型（如 Swin Transformer）更出色。

Dec, 2023

本文提出了逆向注意力网络（RAN），通过同时进行直接、反向和逆向 - 注意力学习过程，使得全卷积神经网络不仅可以学习标签化的语义对象的代表性语义特征，还可以学习与目标类别不相关的特征，在对 Pascal-Context 数据集和其他数据集进行实验后，在 DeepLabv2-LargeFOV 基础上建立的 RAN 在语义分割领域达到了最先进的 mIoU 得分（48.1％），同时也显著提高了 PASCAL-VOC、Person-Part、NYUDv2 和 ADE20K 数据集的性能。

Jul, 2017