TransNuSeg: 用于核分割的轻量级多任务 Transformer
本篇论文介绍了一种新的 UNETR 架构,通过使用 Transformer 作为编码器,可以捕捉更长程的空间依赖性,同时保持 “U 形” 的网络设计。实验证明,在多个数据集上,该方法在多器官分割任务上取得了最新的最优性能。
Mar, 2021
通过在 2D TransUNet 体系结构的基础上建立在最先进 nnU-Net 体系结构的基础上,充分探索 Transformers 在编码器和解码器设计中的潜力,我们引入了两个关键组件:1)一个从卷积神经网络(CNN)特征图中令图像块标记化的 Transformer 编码器,从而实现全局上下文的提取;2)一个自适应地利用候选区域和 U-Net 特征之间的交叉注意力进行候选区域的精炼的 Transformer 解码器。我们的研究发现,不同的医学任务受益于不同的体系结构设计。Transformer 编码器在多器官分割中表现出色,其中器官之间的关系至关重要。另一方面,Transformer 解码器在处理小而具有挑战性的分割目标(如肿瘤分割)方面更有益处。大量实验证明了将基于 Transformer 的编码器和解码器集成到 U 型医学图像分割体系结构中的巨大潜力。TransUNet 在各种医学应用中超越竞争对手。
Oct, 2023
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
介绍了一种基于 Vision Transformer 的新方法 CellViT,利用大规模的预训练模型,在 PanNuke 数据集上实现对细胞核的自动检测和实例分割的最新性能,并获得了 0.51 的平均全景质量和 0.83 的 F1 检测分数。
Jun, 2023
本文提出了使用 Transformer 和 3D CNN 实现 MRI 脑肿瘤分割的新网络 TransBTS。该网络同时利用全局和局部特征进行分割,并在 BraTS 2019 和 2020 数据集上取得了当前最高水平的分割效果。
Mar, 2021
利用 Swint UNEt TRansformers 模型和多模 MRI 数据对 3D 颅脑肿瘤进行语义分割,可以转换为序列预测问题,以 5 个不同分辨率提取特征,通过跳过连接连接到 FCNN 解码器,并在 BraTS 2021 分割挑战中表现出优越的性能。
Jan, 2022
本文提出了一种新的医学图像分割框架 TransUNet,它将 Transformers 和 U-Net 结合起来,通过编码全局上下文和恢复本地细节信息来实现更精确的分割,针对不同的医学应用,TransUNet 优于其他竞争方法。
Feb, 2021
通过将 U-Net 的空间特征提取与 SwinUNETR 的全局上下文处理能力相结合,再进一步采用先进的特征融合和分割合成技术,提出了 Neuro-TransUNet 框架。通过全面的数据预处理管道改进了这一框架的效率,包括重采样、偏差校正和数据标准化,提高了数据质量和一致性。消融研究证实了 U-Net 与 SwinUNETR 的先进集成以及数据预处理管道对性能的重要影响,并证明了该模型的有效性。使用 ATLAS v2.0 训练数据集训练的所提出的 Neuro-TransUNet 模型在中风病变分割方面优于现有的深度学习算法,并建立了一个新的基准。
Jun, 2024
研究使用 transformers 和 Squeeze-and-Expansion Transformer 实现医学影像分割,较传统方法显著提高了分割准确度和跨领域泛化性。
May, 2021
近 20 年来,医学影像的机器分析迅猛发展,为几个重要的医疗应用提供了巨大的潜力。其中,病变分割是一个特别具有挑战性的任务,有着迫切的需求,而我们提出的新型解决方案 ——D-TrAttUnet 架构在 Covid-19 和骨转移分割的任务中取得了优越的表现,并且其混合编码器在腺体和细胞核的分割中也表现出色,巩固了它在现代医学图像分析中的地位。
May, 2024