Apr, 2023

基于注意力机制的脑肿瘤二阶段 MR 图像分割方法

PDF
TL;DR提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络，以及一种关注性生成跨模态分割方法，该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。
multimodal magnetic resonance imagingcasp-gancoordinate attentionspatial attentionbrain tumor segmentation
发现论文，激发创造
  • 一种基于注意力机制的医学影像生成模型

    提出了一种基于注意力机制的双对比度生成模型 ADC-cycleGAN，其中加入了双对比度损失项和 $K$ 均值算法，用于多层次医学图像的合成，实验结果表明该模型具有较高的 PSNR 和 SSIM 值。

    Jun, 2023

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 基于多阶段注意力生成对抗网络的高组织对比度 MRI 合成，用于胶质瘤分割

    采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像，来增强 MRI 组织分割。实验结果表明，该方法在肿瘤边界分割上取得了可观的提升。

    Jun, 2020

  • 基于多任务关注机制的半监督学习在医疗图像分割中的应用

    该研究提出了一种新颖的半监督图像分割方法，该方法同时优化了监督分割和无监督重建目标，并使用了注意机制。使用未标记的和少量标记的图像进行训练，该方法在大脑肿瘤和白质高信号分割等应用中表现优异。多次尝试后，发现交替训练比联合训练成本更低且性能更好，同时，该注意力机制有助于更好地识别深层次图像特征。

    Jul, 2019

  • 基于 CycleGAN 和联合扩散的两阶段生成模型用于基于 MRI 的脑肿瘤检测

    提出了一种新颖的 Two-Stage Generative Model (TSGM) 框架，基于 CycleGAN 和 Variance Exploding stochastic differential equation using joint probability (VE-JP) 结合进行脑肿瘤的检测和分割，通过无监督学习和生成模型提高了分割性能和泛化能力。

    Nov, 2023

  • MRI 脑肿瘤分级的双重注意力型、跨模态引导多模态学习

    通过 MRI 多模态学习和跨模态指导，提出了一种用于 MRI 脑肿瘤分级的新方法，以准确识别肿瘤类型和等级，并选择精确的治疗计划。

    Jan, 2024

  • MCANet：多尺度交叉轴注意力的医学图像分割

    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

  • 跨模态注意力适配器：一种对使用多模态脑 MR 图像的 SAM 进行胶质瘤分割微调的方法

    本文提出了一种基于跨模态融合的注意力适配器细调基础模型来完成多模态 MRI 脑图像下胶质瘤分割任务的方法，该方法优于现有技术方法，具有 88.38％的 Dice 系数和 10.64 的 Hausdorff 距离，从而在分割胶质瘤区域方面呈现出 4％的增长，有助于胶质瘤的治疗。

    Jul, 2023

  • CGAM: 基于点击引导的注意力模块，通过反向传播细化交互病理图像分割

    本研究提出了一种交互式分割方法，通过点击交互，利用基于点击的注意力模块（CGAM）将用户提供的点击约束和特征图中的语义信息相结合，并将其公式化为优化问题，相比现有方法，该方法可避免分割结果过度改变导致用户点击的过拟合问题，模型大小与输入图像大小无关，实验结果表明，该方法优于现有的最先进方法。

    Jul, 2023

  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。

    Dec, 2023