Apr, 2023

HST-MRF: 带有多尺度感受野的异质Swin变换器用于医学图像分割

HTML
PDF
TL;DR本文提出了基于异构Swin Transformer和多接受野的U形网络的HST-MRF模型，旨在通过融合不同接受野下的补丁信息解决使用Transformer进行分割时可能造成的结构信息丢失问题。实验结果表明，该方法在多个数据集和任务中均能超过现有的最先进模型并取得优异表现，证实了多接受野分割有助于减少结构信息的丢失。
发现论文，激发创造
  • 医学变压器：门控轴向注意力在医学图像分割中的应用

    本文探讨了Transformer网络架构在医学图像分割任务中的可行性，并提出了一种Gated Axial-Attention模型和Local-Global训练策略以提高模型性能。实验表明，在三组不同的医学图像数据集上，该Medical Transformer模型优于卷积和其他相关的Transformer-based架构。

    Feb, 2021

  • Swin-Unet: 纯Transformer风格的Unet模型用于医学图像分割

    该研究提出了 Swin-Unet，一种基于 Transformer 的 Unet 用于医学图像分割，它通过层次 Swin Transformer 与 SHIFT 窗口技术来提取上下文特征，使得该纯 Transformer 的编码解码网络在多器官和心脏分割任务方面表现超越传统的基于卷积和变换的方法。

    May, 2021

  • 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

  • HiFormer: 使用Transformer实现的分层多尺度表示，用于医学图像分割

    本文提出了一种新的方法HiFormer，它通过使用Swin Transformer模块和基于CNN的编码器设计了两种多尺度特征表示来有效地跨越CNN和Transformer进行医学图像分割。在编码器解码器结构的跳跃连接中，我们提出了Double-Level Fusion（DLF）模块，以确保从两个上述表示中获得的全局和局部特征的细粒度融合。在各种医学图像分割数据集上的广泛实验表明，HiFormer在计算复杂度、定量和定性结果方面优于其他基于CNN、Transformer和混合方法。

    Jul, 2022

  • 用于自动医学图像分割的高分辨率Swin Transformer

    本研究提出了一种基于Transformer的医学图像分割网络HRSTNet，其采用具有高分辨率的设计风格，用Transformer块代替卷积层，不断交换不同分辨率的特征图集来提高性能

    Jul, 2022

  • 应用混合融合变压器处理多序列MRI

    通过利用多序列 MRI 图像进行医学分割，使用混合融合 Transformer 方法来提高脑肿瘤分割的效果。

    Nov, 2023

  • PMFSNet：极化多尺度特征自注意网络用于轻量级医学图像分割

    带有少于100万个参数的模型，PMFSNet在各种分割任务中实现了卓越的性能，同时避免了较大模型中的计算冗余。

    Jan, 2024

  • 基于注意力过滤的医学图像分割的多维Transformer

    提出了一种面向医学图像分割的多维注意力变换器 (MDT-AF) 方法，通过重新设计补丁嵌入和自注意机制来解决医学图像分割中存在的低信噪比和特征表示容量有限的问题，并取得了当前最先进的性能。

    May, 2024

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024

  • Swin SMT：3D医学图像分割中的全局序列建模

    基于 Swin UNETR 架构，引入了 Soft Mixture Transformer（Swin SMT）模型，该模型使用 Soft MoE 处理复杂和多样的远距离依赖关系，在 WBCT 扫描中超越了其他方法，在三维解剖结构分割方面取得了85.09%的平均 Dice 相似系数。

    Jul, 2024