医学图像分割网络中的 Transformer 利用
综述了 Transformer 在医学图像中的应用,包括分割、检测、分类、重建、合成、配准和临床报告生成等方面,开发了分类法,确定了应用特定的挑战并提供了解决方案和最近的趋势,以及对整个领域的现状进行了批判性的讨论,包括关键挑战、未解决的问题和有前途的未来方向。
Jan, 2022
通过融合 transformers 和 CNNs,我们提出了一种混合架构用于医学图像分割,旨在克服 CNNs 在捕捉全局依赖性和局部空间细节方面的局限性。我们通过比较各种架构和配置,并进行多次实验来评估它们的有效性。
Jan, 2024
研究使用 transformers 和 Squeeze-and-Expansion Transformer 实现医学影像分割,较传统方法显著提高了分割准确度和跨领域泛化性。
May, 2021
通过在 2D TransUNet 体系结构的基础上建立在最先进 nnU-Net 体系结构的基础上,充分探索 Transformers 在编码器和解码器设计中的潜力,我们引入了两个关键组件:1)一个从卷积神经网络(CNN)特征图中令图像块标记化的 Transformer 编码器,从而实现全局上下文的提取;2)一个自适应地利用候选区域和 U-Net 特征之间的交叉注意力进行候选区域的精炼的 Transformer 解码器。我们的研究发现,不同的医学任务受益于不同的体系结构设计。Transformer 编码器在多器官分割中表现出色,其中器官之间的关系至关重要。另一方面,Transformer 解码器在处理小而具有挑战性的分割目标(如肿瘤分割)方面更有益处。大量实验证明了将基于 Transformer 的编码器和解码器集成到 U 型医学图像分割体系结构中的巨大潜力。TransUNet 在各种医学应用中超越竞争对手。
Oct, 2023
轻量级视觉转换 (ViT) 在高效医学图像分割中的应用挑战,本研究重新关注了 CNN 和 Transformer 在轻量级医学图像分割中的关系,并提出了一种融合两者优势的基础架构设计,实现了有效的医学图像分割模型 (MobileUtr)。在五个公开医学图像数据集上的广泛实验验证了 MobileUtr 的优越性,同时具备更轻的权重和更低的计算成本。
Dec, 2023
我们提出了一种简单而有效的 UNet-Transformer(seUNet-Trans)模型,用于医学图像分割,结合了 CNN-based 模型和 Transformer 模型,在多个医学图像分割数据集上进行了广泛实验,显示出优于其他几种先进模型的性能。
Oct, 2023
我们提出了一个全卷积变种的 U-Net 结构的转换器模块,用于建模 3D 脑损伤分割的远程交互,证明了我们的模型在三个因素中提供了最大的妥协点:与最先进技术相竞争的性能;卷积神经网络的参数效率;以及转换器的有利归纳偏差。
Aug, 2023
该研究提出了一种结合了 CNN 和 transformer 的方法 ——TransMed,在多模态医学图像分类中取得了很好的性能,这一方法为医学图像分析任务开启了更多可能性。
Mar, 2021
本文介绍了用于医学图像分割的 TransFuse 并行网络结构,将 Transformers 和 CNNs 并置,以有效地捕捉全局依赖关系和低级别空间细节,且使用了一种新的特征融合方法 —BiFusion 模块来融合两个分支的多级特征。实验结果表明,TransFuse 在医学图像分割任务中的性能优于目前最先进的技术,同时在参数数量和推断速度上也有显著改进。
Feb, 2021
依赖于诊断工具及深度学习方法,该论文旨在探索基于 Transformer 的创新架构在中风分割领域的应用,提供详细的分析和评估,同时探讨未来的研究发展方向。
Mar, 2024