May, 2023

CB-HVTNet：一种增强通道的混合视觉 Transformer 网络，用于组织病理学图像中淋巴细胞评估

PDF
TL;DRCB HVT 是一种具有先进性能的医学图像诊断工具，利用了 transformers 和 CNN，采用通道增强方式来进行 AI 辅助病理检测和分析，能够有效识别组织图像中的淋巴细胞等相关信息。
transformerscnnsmedical diagnosislymphocyteshistopathological images
发现论文，激发创造
  • CiT-Net: 卷积神经网络和视觉 Transformer 手牵手进行医学图像分割

    本文提出了一种新的医学图像分割混合架构，手持卷积神经网络和 Transformer，用于动态变形卷积和自适应互补注意模块改进卷积神经网络和 Transformer 的性能，以实现更好的医学图像分割结果。

    Jun, 2023

  • 通道视觉变换器：一幅图像值 C x 16 x 16 个词

    本文介绍了一种名为 ChannelViT 的模型，通过引入 Hierarchical Channel Sampling 技术对 ViT 进行改进，以增强其在多通道图像领域中的应用能力，并证明了其在分类任务上的性能优于 ViT，即使在测试期间只使用部分输入通道，ChannelViT 仍能良好地推广。同时，通过实验证明，Hierarchical Channel Sampling 作为一种简单直接的技术，可以作为 ViT 训练的有效正则化器，使得 ChannelViT 能够在稀疏传感器条件下，在有限访问所有通道的情况下有效推广，突出了其在稀疏数据情况下的潜力。

    Sep, 2023

  • HydraViT：自适应多支路 Transformer 用于胸部 X 光图像的多标签疾病分类

    通过将 transformer 骨干结构与多分支输出模块相结合，HydraViT 方法提高了胸部 X-ray 图像的多标签分类性能。

    Oct, 2023

  • 基于视觉变换器的 PET/CT 图像淋巴瘤分割的多模态特征融合网络

    本研究旨在发展一种准确的淋巴瘤分割方法，采用 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描图像结合视觉转换器和双编码器进行淋巴瘤分割，这在计算辅助淋巴瘤诊断和治疗方面具有巨大潜力。

    Feb, 2024

  • 利用混合多任务 CNN-Transformer 网络进行乳腺超声肿瘤分类

    本研究提出了一种混合多任务深度神经网络 (Hybrid-MT-ESTAN)，用于乳腺超声图像的肿瘤分类和分割，该网络结合了 CNN 和 Swin Transformer 组件，实现了对全局上下文信息的捕捉和局部图像模式的保留，并在一个包含 3320 个超声图像的数据集上与九种分类方法进行了比较，结果表明 Hybrid-MT-ESTAN 取得了 82.7% 的准确率、86.4% 的灵敏度和 86.0% 的 F1 分数。

    Aug, 2023

  • SC-HVPPNet: 基于 CNN 和 Transformer 的空间和通道混合注意力视频后处理网络

    本研究探讨了卷积神经网络 (CNN) 和 Transformer 在视频后处理中的相互作用，并提出了一种新颖的空间和通道混合注意力视频后处理网络 (SC-HVPPNet)，它可以协同地利用空间和通道域中的图像先验知识。大量实验证明，SC-HVPPNet 显著提升了视频修复质量，在 VTM-11.0-NNVC RA 配置中 Y、U 和 V 三个分量的平均比特率节省分别达到 5.29%、12.42% 和 13.09%。

    Apr, 2024

  • TEC-Net: 视觉 Transformer 集成卷积神经网络用于医学图像分割

    本研究采用混合卷积神经网络和 Transformer 的混合结构，提出了一种具有自适应特征提取能力和具有全局信息建模的方法，用于医学图像分割。实验结果表明，该方法比现有的方法具有更好的医学图像分割结果。

    Jun, 2023

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    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。

    Apr, 2023

  • 卷积视觉转换器用于产量预测

    基于远程感知数据的直方图，视觉变换器在文献中表现得较少，因此测试了卷积视觉变换器（CvT）来评估当前在许多其他视觉任务中取得最新成果的视觉变换器。CvT 结合了卷积的优势和变换器的动态注意力和全局上下文融合的优势。CvT 的表现不如 XGBoost 和 CNN 等广泛测试的方法，但显示了变换器提升产量预测的潜力。

    Feb, 2024

  • CMT: 卷积神经网络与视觉 Transformer 相遇

    本文提出了一种基于 Transformer 和 CNN 的新型混合神经网络（CMTs），通过捕捉图像中的长程依赖和建模本地特征，实现了比现有的 DeiT 和 EfficientNet 更高的精度和更小的计算成本。

    Jul, 2021