Apr, 2023

用于胸部X射线和胃肠道图像分类的视觉Transformer

HTML
PDF
TL;DR使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。
发现论文，激发创造
  • 基于双重卷积神经网络的大规模自动化前后胸部 X 光读取

    本文介绍了使用MIMIC-CXR数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型DualNet体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示DualNet体系结构的性能提升。

    Apr, 2018

  • 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

  • 是否该用Transformer代替CNN处理医学图像？

    本文探讨在医学图像诊断领域中，卷积神经网络和视觉Transformer哪一种更优秀，发现使用预训练的视觉Transformer模型（尤其是自监督预训练）可以优化诊断性能。

    Aug, 2021

  • 探究用于多标记胸部疾病分类的遮蔽自编码器

    本文介绍了一种基于自编码器预训练的视觉Transformer模型（ViT）在医学图像分类任务上的性能优化方法，并探讨了策略和技术详细研究。

    Oct, 2022

  • 预训练的ViT模型在医疗图像中得到了多用途的表示

    本研究探讨了视觉 Transformer 在医学图像分类中的优劣，并发现使用预训练模型时，视觉 Transformer 可以与卷积神经网络媲美，成为 CNN 的一种可行替代方法。

    Mar, 2023

  • 面向医学成像的视觉Transformer解释评价

    本文研究了在医学影像学领域中，Vision Transformer(ViT)解释方法的表现，证明了Transformer的逐层相关传播法胜过本地可解释的模型不可知性解释和注意力可视化方法，在准确和可靠地表示ViT已经学到了什么方面提供了更好的表现。

    Apr, 2023

  • 从CNN到Transformer：医学图像分割模型综述

    在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部X射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

    Aug, 2023

  • LT-ViT：用于多标签胸部X射线分类的视觉Transformer

    利用LT-ViT来从多个尺度聚合信息，实现对胸部X光图像进行纯可视化模型训练，其优于基于纯ViTs的现有方法，在两个公开CXR数据集上表现出最先进的性能，并且对于其他预训练方法具有泛化性且不依赖于模型初始化，并且能够实现模型的可解释性而无需使用grad-cam及其变种。

    Nov, 2023

  • 改进的EATFormer：用于医学图像分类的视觉Transformer

    本文提出了一种基于进化算法的改进型Transformer架构，用于医学图像分类。该架构在Convolutional Neural Networks和Vision Transformers的基础上结合了它们的优势，利用它们在数据中识别模式和适应特定特征的能力。实验结果表明，与基准模型相比，所提出的EATFormer显著改善了预测速度和准确性。

    Mar, 2024

  • 卷积神经网络、ResNet和视觉Transformer在胸部疾病多分类中的比较研究

    使用大规模语言模型和Transformer架构，基于ViT模型，在多标签分类任务中对胸部X射线图像进行准确的肺部疾病诊断。

    May, 2024