Jul, 2023

MCPA: 多尺度交叉感知网络用于 2D 医学图像分割

PDF
TL;DR我们提出了一种名为 Multi-scale Cross Perceptron Attention Network (MCPA) 的 2D 医学图像分割模型，通过融合全局特征和局部上下文信息来克服 UNet 架构在捕捉长距离依赖方面的挑战，同时引入 Progressive Dual-branch Structure 来处理图像的语义分割。实验结果表明，我们的 MCPA 模型取得了最先进的性能。
unet architecturetransformer-based techniquesmedical image segmentationmulti-scale cross perceptron attention networkprogressive dual-branch structure
发现论文，激发创造
  • MCANet：多尺度交叉轴注意力的医学图像分割

    在本文中，我们提出了基于高效轴向注意力的多尺度交叉轴向注意力（MCA）来解决医学图像分割中的多尺度信息获取和像素之间的长程依赖问题，通过计算两个平行轴向注意力之间的双交叉注意力来更好地捕捉全局信息。同时，我们还使用不同核尺寸的多个条状卷积来处理病变区域或器官的显著变化，以提高空间信息的编码效率。经过实验证明，我们的网络 MCANet 仅具有 4M + 参数，在皮肤病变分割、细胞核分割、腹部多器官分割和息肉分割等四个具有挑战性的任务上，表现比大型骨干模型（如 Swin Transformer）更出色。

    Dec, 2023

  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了 SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024

  • 用于精确生物医学图像分割的多化合物转换器

    本研究提出了一种统一的变形器网络，称为多化合物变形器（MCTrans），可嵌入 UNet-like 网络中，并在生物医学图像分割中显着提高了最先进方法的性能。它使用自我关注和交叉注意力进行多尺度卷积特征的序列嵌入，引入了可学习的代理嵌入来模拟语义关系和特征增强。

    Jun, 2021

  • 基于通道先验卷积注意力的医学图像分割

    本文提出了一种高效的 Channel Prior Convolutional Attention (CPCA) 方法以及基于 CPCA 的医学图像分割网络 CPCANet，通过在通道和空间维度上支持动态分配注意力权重并保持通道优先以及采用多尺度深度可分离卷积模块，能够有效地提取空间关系，专注于有信息量的通道和重要区域。在两个公开数据集上验证 CPCANet，相对于其他最先进的算法实现了更好的分割性能并需要更少的计算资源。代码公开在 https://github.com/Cuthbert-Huang/CPCANet。

    Jun, 2023

  • Perspective+ Unet：双路径融合与高效非局部注意力增强的优秀感受野分割方法

    针对医学图像分割的局限性，我们提出了一种新的架构，Perspective+ Unet。该架构具有三个主要创新点：在编码器阶段引入了双通道策略，通过结合传统和扩张卷积的结果，既保持了局部感知域又显著扩展了它，从而更好地理解图像的全局结构；采用高效的非局部变换块 ENLTB 来有效地捕捉长程依赖关系，具有线性计算和空间复杂性；采用空间交叉尺度集成策略，在模型阶段跨级别细化特征，以协调全局和局部信息。我们在 ACDC 和 Synapse 数据集上进行了实验，结果验证了我们提出的 Perspective+ Unet 的有效性。

    Jun, 2024

  • 基于多尺度 MPU-Net 的 3D 医学图像分割

    本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023

  • MS-Twins: 多尺度深度自注意力网络用于医学图像分割

    提出了 MS-Twins（Multi-Scale Twins）分割模型，通过结合不同尺度和级联特征，能更好地捕捉语义和细粒度信息，解决了在医学图像分割中利用自注意力和卷积的最优化问题。在 Synapse 和 ACDC 两个常用数据集上，MS-Twins 相较于现有的网络结构有了显著的进展，在 Synapse 数据集上的性能比 SwinUNet 高出 8％，即使与最佳的完全卷积医学图像分割网络 nnUNet 相比，在 Synapse 和 ACDC 上 MS-Twins 的性能仍然稍有优势。

    Dec, 2023

  • 一种基于多尺度特征金字塔网络和双重注意力机制的腹部 MRI 图像分割算法

    该研究提出了一种基于多尺度特征金字塔网络和双重注意机制的 MRI 图像分割方法，通过使用扩张卷积和多尺度特征金字塔网络在编码中避免了语义差距问题，并设计双重注意机制来维护 U-Net 的空间信息和降低不对齐问题。在亚腹部 MRI 图像数据集上的实验表明，该方法比其他方法表现更好。

    May, 2023

  • MAProtoNet：一个多尺度、注重注意力、可解释的原型部分网络，用于 3D 磁共振成像脑肿瘤分类

    医学成像中的自动诊断与人工智能已成为一个有前途的领域，但通过提出 Multi-scale Attentive Prototypical part Network (MAProtoNet) 来提供更精确的归因地图，以解决深度神经网络可解释性问题。

    Apr, 2024