基于 UNet 架构和迁移学习的深度学习生物医学图像分割
利用人工智能中的深度学习技术,基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化,该框架不需要人工参与,能够自动适应不同的数据集和分割任务,同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。
Apr, 2019
通过探索深度学习模型在医学图像分割中的应用,特别关注 UNet 架构及其变体,本研究评估了这些模型在各种挑战性医学图像分割任务中的表现,并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示,经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型;而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外,本研究还着重解决高类别不平衡问题,通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解,并为其实施提供指导和最佳实践。
Sep, 2023
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
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
本文综述了使用 U-Net 及其变体进行医学图像分割的技术。医学图像的非侵入性诊断需要准确的分割图像。本文也概述了医学图像分割的发展、深度神经网络的优缺点以及不同混合体系结构的建立。最后提出了当前的挑战和未来的发展方向。
Apr, 2022
我们提出了一种简单而有效的 UNet-Transformer(seUNet-Trans)模型,用于医学图像分割,结合了 CNN-based 模型和 Transformer 模型,在多个医学图像分割数据集上进行了广泛实验,显示出优于其他几种先进模型的性能。
Oct, 2023
U-net 是一种主要用于医学图像分析的图像分割技术,可以使用少量的训练数据对图像进行精确分割。本文回顾了 U-net 架构的各种发展,并探讨了最近的趋势。我们研究了深度学习中的各种创新,并讨论了这些工具如何促进 U- net。此外,我们还研究了 U-net 已应用的图像模态和应用领域。
Nov, 2020
本论文提出了一种改进 U-Net 模型的多分辨率结构 MultiResUNet,相较于理想情况下的图像,在处理挑战性医学图像方面实现了显著的性能提高,此提升在五种不同的医学图像数据集中分别达到了 10.15%,5.07%,2.63%,1.41%和 0.62%的相对改进。
Feb, 2019
这篇研究论文的主要内容是关于医学图像分割,重点介绍了深度学习方法,包括 MultiResUNet 和 Attention U-Net 等变种,并探讨了使用深度分离卷积来减少网络参数需求的可行性。
Jul, 2023
该研究介绍了基于深度学习的自动化脑肿瘤分割技术,利用 3D U-Net 模型,通过大规模的脑 MRI 扫描数据集进行分割,并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效,为临床实践提供有价值的支持。
Apr, 2024