May, 2023

元 - 息肉：高效息肉分割的基线模型

PDF
TL;DR本研究提出了使用 Meta-Former 与 UNet 的融合模型，并引入多尺度上采样块与级联组合以提高纹理，并提出 Convformer 块增强局部特征，以实现医学分割的全局信息、局部信息和边界信息等敏感点的更好决策。该模型在 CVC-300 数据集、Kvasir、CVC-ColonDB 数据集上取得了领先水平的表现。
polyp segmentationcnnvision transformermeta-formermedical segmentation
发现论文，激发创造
  • M^2UNet: 元 - 变形 - 多尺度上采样网络用于息肉分割

    本文提出了一种基于 MetaFormer、UNet 和多尺度上采样块的多尺度上采样网络（M$^2$UNet）用于息肉分割任务，该方法在多个基准数据集上都与先前的方法相比具有竞争性的表现。

    Jun, 2023

  • ColonFormer：一种高效的基于 Transformer 的结肠息肉分割方法

    该研究提出了一种名为 ColonFormer 的编码器 - 解码器网络架构，以增强多级特征表示，并在全局地图内精确分割息肉对象，优于其他先进方法，适用于内镜图像在临床支持系统中的自动分析。

    May, 2022

  • LAPFormer: 一个轻量且准确的息肉分割 Transformer

    本文介绍了一种新型的编码器 - 解码器结构的 LAPFormer 模型，使用分层 Transformer 编码器来提取全局特征，并结合了用于捕获息肉局部外观的 CNN 解码器，包括渐进特征融合模块，特征细化模块和特征选择模块来处理特征，模型在多个息肉分割数据集上进行测试表现良好。

    Oct, 2022

  • Polyp-PVT：金字塔视觉变换器用于息肉分割

    本文提出了基于 Transformer 编码器、三个标准模块（包括串级融合模块，伪装识别模块和相似聚合模 块）的息肉分割方法，名为 Polyp-PVT。实验结果表明，该方法在人口学多样性、外观变化，甚至缺失数据方 面都具有较好的鲁棒性。

    Aug, 2021

  • MetaFormer 对于计算机视觉是必不可少的

    通过取代 Transformers 中的注意力机制，使用空间 MLPs，从而验证了 Transformers 的总体架构（MetaFormer）对模型性能的贡献更为关键。提出了 MetaFormer 的概念，这是一个抽象出 Transformers 中 token mixer 以外的通用架构，并将提出的 PoolFormer 作为未来 MetaFormer 架构设计的起点基线模型。

    Nov, 2021

  • 用于视觉的 MetaFormer 基线

    本文基于 MetaFormer 架构探索了不同的 token mixer 的组合方式，取得了较高的图像分类准确率，同时也提出了新的激活函数 StarReLU。

    Oct, 2022

  • UNetFormer: 用于三维医学图像分割的统一视觉 Transformer 模型和预训练框架

    本文提出了一个统一的框架，它由两个体系结构组成，称为 UNetFormer，具有基于 3D Swin 变压器的编码器和卷积神经网络和变压器的解码器。该架构的设计允许在准确性和计算成本之间满足宽范围的权衡要求。使用 CT 图像进行自我监督预训练，使用 Medical Segmentation Decathlon（MSD）数据集进行肝和肝肿瘤分割任务的 Fine-tune 和测试，并使用 MRI 图像的 BraTS 21 数据集进行脑肿瘤分割，并在 Dice 评分方面优于其他方法。

    Apr, 2022

  • 基于 Transformer-CNN 融合的结肠息肉分割增强的合作学习

    本研究提出一种名为 Fusion-Transformer-HardNetMSEG (Fu-TransHNet) 的混合网络，通过多种深度学习机制融合和多视角协作学习技术提高结肠息肉的分割精度。富 - TransHNet 利用变压器和 CNN 分支实现全局和局部特征学习，设计了一个融合模块来整合两个分支的特征，利用多视图协作学习技术获取各自权重，结果表明 Fu-TransHNet 网络在五个广泛使用的基准数据集上优于现有方法。

    Jan, 2023

  • PolyFormer: 将图像分割视为序列多边形生成

    该论文提出一种基于序列多边形生成框架 Polygon Transformer (PolyFormer) 的图像分割方法，通过生成多边形顶点序列实现对图像分割的参照。该方法在 RefCOCO+ 等实际数据集上表现优异，性能提升明显。

    Feb, 2023

  • MugenNet：一种新颖的综合卷积神经网络与 Transformer 网络及其在结肠息肉图像分割中的应用

    基于混合原则，结合 CNN 和 Transformer，我们提出了一种名为 MugenNet 的结构用于结直肠息肉图像分割，实验证明 MugenNet 比仅使用 CNN 的模型在处理速度和准确度上显著提高。

    Mar, 2024