Apr, 2023

ADS_UNet：一个用于组织病理学图像分割的嵌套 UNet

PDF
TL;DR本文提出了 ADS UNet 算法，通过阶段性的增量式训练实现对浅层网络的高效深度监督，并对子 UNet 模型进行性能加权组合，以降低特征之间的相关性并提高分割性能，成功地在三个组织切片数据集中超越基于 Transformer 的最先进模型，而且只需要 37% 的 GPU 资源和 34% 的训练时间。
unetfcndeep supervisionads unettexture segmentation
发现论文，激发创造
  • DoubleU-Net: 医学图像分割的深度卷积神经网络

    提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

    Jun, 2020

  • MS-UNet-v2: 医学图像分割的自适应降噪方法与小数据训练策略

    基于医学图像分割任务，我们提出了一种名为 MS-UNet 的新型 U-Net 模型。与 Swin-UNet 和 TransUnet 中使用的单层 U-Net 解码器结构不同，我们专门为 U-Net 设计了基于 Swin Transformer 的多尺度嵌套解码器。我们还提出了一种新颖的边界损失和即插即用微调去噪模块，这不仅有效提高了 MS-UNet 的分割性能，还可以单独应用于其他模型。实验证明，MS-UNet 在更高效的特征学习能力方面有效提升了网络性能，尤其是在少量训练数据的极端情况下，并且所提出的边界损失和去噪模块能显著增强 MS-UNet 的分割性能。

    Sep, 2023

  • SeUNet-Trans: 医学图像分割的简单而有效的 UNet-Transformer 模型

    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

  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • UNet 3+: 医学影像分割的全尺度联通 UNet

    本文提出了基于 UNet 的新型深度学习网络 UNet 3 + 进行医学图像语义分割任务，此方法在多尺度特征融合、深度监督等方面优化 UNet，通过增加全尺度 skip 连接和采用深度监督的方式获得更准确的分割结果，特别适用于器官在不同尺度下出现的情况，并且该方法能在减少参数的同时提高计算效率，此外还提出了混合损失函数和分类引导模块来增强分割效果。

    Apr, 2020

  • 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

  • UNet++：重新设计 Skip Connection 以利用多尺度特征进行图像分割

    提出了一种名为 UNet ++ 的新神经结构，通过解决 U-Net 和全卷积网络（FCN）的两个限制（未知最佳深度和过于严格的融合方案），实现了医学图像分割的语义和实例分割，从而提高了对象大小的分割质量，并加速了 UNet ++ 的推理速度。

    Dec, 2019

  • 自适应深度监督下密集解码网络的医学图像分割

    提出了一种基于深度神经网络的医学图像分割方法，通过引入 ' 拐杖 ' 网络连接以获得精细的密集预测，并采用自适应深度监督训练策略以提取鲁棒特征。通过在网络解码器的每个上采样阶段引入 ' 拐杖 ' 连接，增强了目标定位和分割性能，并通过匹配网络的有效感受野来指导辅助监督位置的选择，从而实现了对特定输入特征的注意。在 4 个不同模态的多样数据集上验证了该方法的有效性。

    Feb, 2024

  • UNet++：用于医学图像分割的嵌套 U-Net 架构

    本研究提出了 UNet++ 架构，采用深度监督编码器 - 解码器网络和密集跳过层来实现医学图像分割，与 U-Net 和 Wide U-Net 架构相比，拥有更高的 IoU 增益。

    Jul, 2018

  • U-Net: 生物医学图像分割的卷积神经网络

    该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

    May, 2015