May, 2023

LCAUnet：一种增强边缘和体融合的皮肤病变分割神经网络

PDF
TL;DR本文提出了一种新型的 LCAUnet 用于改善传统方法中经常被忽视的边缘和身体特征结合的能力，通过局部交叉注意力操作在编码器阶段融合边缘和身体的特征图，进一步嵌入 PGMF 模块进行特征集成，实验证明 LCAUnet 在公共可用数据集 ISIC 2017、ISIC 2018 和 PH2 上表现优于大多数最先进的方法，该方法有利于皮肤病变的精确分割。
skin lesionsdermatoscopic imageslcaunetsegmentationlocal cross-attention
发现论文，激发创造
  • UCM-Net：使用 MLP 和 CNN 的轻量级高效皮肤病变分割解决方案

    通过整合多层感知器和卷积神经网络，我们提出了一种高效低成本的 UCM-Net 解决方案，用于皮肤病变分割，其参数不超过 50KB 且每秒运算次数不超过 0.05 Giga-Operations，为皮肤病变分割领域的高效性设立了新的可能标准。

    Oct, 2023

  • 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割

    本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

    Jul, 2023

  • BEFUnet: 用于精确医学图像分割的混合 CNN-Transformer 架构

    本文提出了一种名为 BEFUnet 的创新 U 形网络，它通过增强融合身体和边缘信息来实现精确的医学图像分割，该方法在医学图像分割数据集上显示出优于现有方法的卓越性能。

    Feb, 2024

  • 基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进

    提出一种基于 Hierarchical Transformer 的 U 型结构用于皮损分割，以及一种使用注意力相关性自适应地组合每个阶段的上下文来减轻语义差距的 Inter-scale Context Fusion（ISCF）方法。

    Oct, 2023

  • 基于 Transformer 网络的皮肤病变分割的跨尺度依赖建模

    本研究提出并评估了一种基于分层 Transformer 结构的 U 型网络模型用于皮肤病变分割，同时提出了一种自适应地结合每个阶段上下文的 Inter-scale Context Fusion (ISCF) 方法，初步结果证明了 ISCF 模块在皮肤病变分割基准上的适用性和效能。

    Oct, 2023

  • 皮肤病损检测和分割的多任务框架

    使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

    Aug, 2018

  • MULAN：联合病变检测、标记和分割的多任务通用病变分析网络

    本文提出一种多任务普适性病变分析网络，它基于改进的 Mask R-CNN 框架，能够联合检测、标注和分割身体各部位的病变，达到了 DeepLesion 数据集上最高的检测和标注精度。

    Aug, 2019

  • 一个专注于感兴趣区域的三重 UNet 架构用于皮肤病变分割

    本文提出了一种名为 Triple-UNet 的算法，用于自动分割皮肤病变。该算法将三个 UNet 架构进行有机结合，并引入了区域增强模块 (ROIE)，通过利用第一个 UNet 的预测评分图增强图像中的目标对象区域。通过第一个 UNet 学习到的特征和增强后的图像，帮助第二个 UNet 获得更好的评分图。最终，通过第三个 UNet 对结果进行微调。实验证明，Triple-UNet 在皮肤病变分割方面优于现有技术。

    Nov, 2023

  • 一种用于 PET/CT 病灶分割的镜像 - Unet 结构

    提出一种深度学习方法，用于从 [18F] FDG PET/CT 扫描中分割肿瘤性病变和组织。使用两个 UNet-3D 分支的组合，一个用于分割 CT 图像中的一组组织，另一个用于分割 PET 图像中的病变，并将 CT 分支的信息嵌入到瓶颈中。在 AutoPET MICCAI 2023 挑战数据集上进行了网络的训练和验证。

    Sep, 2023

  • USL-Net: 无监督皮肤病变分割的不确定性自学习网络

    无监督皮肤病变分割，采用 Uncertainty Self-Learning Network 自学习网络，通过对比学习提取特征，生成基于显著性的 Class Activation Maps，利用这些特征实现有效的皮肤病变分割，通过连接性检测、优先级检测和循环优化进一步提高性能。

    Sep, 2023