MESAHA-Net：基于多编码器的自适应硬注意力网络与最大强度投影用于 CT 扫描中的肺结节分割

Apr, 2023

MESAHA-Net：基于多编码器的自适应硬注意力网络与最大强度投影用于 CT 扫描中的肺结节分割

MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan

PDF

Muhammad Usman, Azka Rehman, Abdullah Shahid, Siddique Latif, Shi Sub Byon...

TL;DR本文提出了一种基于多编码器的自适应硬注意力网络 (MESAHA-Net) 的方法用于 CT 扫描中肺结节的精确分割，该方法包含一个关注块和一个解码器块，采用了一种新颖的自适应硬注意力机制，能够在不同种类的输入下针对肺结节进行 2D 逐层分割，生成 3D 容积分割，经 LIDC-IDRI 数据集全面评估后发现，在医疗实现中具有高鲁棒性和更好的分割精度和计算复杂度。

Abstract

Accurate lung nodule segmentation is crucial for early-stage lung cancer diagnosis, as it can substantially enhance patient survival rates. Computed tomography (CT) images are widely employed for early diagnosis in lung nodule analysis. However, the heterogeneity of lung nodules, size

lung nodule segmentation computed tomography mesaha-net attention mechanism lidc-idri dataset

发现论文，激发创造

基于通道和上下文注意力的分层 SegNet 用于胸部 X 光图像的准确肺部分割

本研究提出了一种将分层 SegNet 与多模态注意力机制相结合的新方法用于肺分割，实验证明该方法在肺分割任务中表现优异，超过现有方法，具有提高肺病诊断和治疗准确性和效率的潜力，并可推广到其他医学图像分析任务。

May, 2024

基于最大强度投影的卷积神经网络在 CT 扫描中的肺结节自动检测

利用最大强度投影图像（MIP）改进基于卷积神经网络的自动肺结节检测，可获得更高的敏感性和更少的假阳性。

Apr, 2019

基于无监督对比学习的 Transformer 肺结节检测

研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

Apr, 2022

通过领域注意力的 CT 强健肺气肿百分比定量：多族裔动脉硬化研究 (MESA) 肺部研究

通过融合图像特征和定量扫描仪先验信息，我们开发了一个基于深度学习的端到端框架来准确量化计算机断层扫描（CT）中的肺气肿，并在大规模研究和临床应用中取得了显著改进。

Feb, 2024

仅考虑正例：基于 5 折高阶注意力交互模型的皮肤分割导出分类

通过高阶注意力交互机制的多重高阶注意力交互模型（MHA-UNet），我们提出了一种高度可解释的皮肤病变分割任务方法，实现了无需负样本训练的病变存在性判断，并在多个公开数据集上展示了分类和分割实验的先进性能。

Nov, 2023

肺结节检测中针对难样本的改进集中

通过引入可变形卷积和自适应学习，提出了一个对肺结节进行检测的改进方法，该方法注重难样本和数据集，在 LUNA16 数据集上的实验表明，该方法具有竞争性的性能。

Mar, 2024

优化通用病变分割：由状态空间模型引导的分级网络与特征重要性调整

通过融合状态空间模型（SSM）和高级分层网络（AHNet），提出了一种针对医学成像中语义分割任务的 Mamba-Ahnet 方法，通过图像分割和特征理解来提高分割的准确性和鲁棒性。通过分解图像为小块并通过自我注意机制来优化特征理解，该方法显著提高了特征分辨率。Mamba-Ahnet 进一步通过选择性地放大信息区域和学习富有层次结构的特征来增强分割性能。在通用病变分割数据集上的评估结果表明，与先进技术相比，我们的方法表现出更高的性能，其中 Dice 相似系数约为 98%，交并比约为 83%。我们的方法有望提高诊断准确性、治疗规划的精度以及患者的治疗效果，并代表医学成像技术的重要进展。

Apr, 2024

基于多尺度 MPU-Net 的 3D 医学图像分割

本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

Jul, 2023

一种使用 U-net 和修改后的卷积块注意力模块进行胸部 X 射线肺分割的新方法

本文提出了一种结合 U-net 和注意力机制的新方法，通过引入 Convolutional Block Attention Module (CBAM) 来进行胸部 X 射线图像的肺部分割，CBAM 统一了通道注意力、空间注意力和像素注意力三种不同的注意力机制，提高了模型的精确性和准确性，从而改善了分割的准确性和患者的诊断精度。

Apr, 2024

RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

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