IP-UNet:用于 3D 医学图像分割的强度投影 UNet 架构
本文提出了一种基于全卷积神经网络的三维图像分割方法,通过优化 Dice 系数的目标函数,应对前景和背景体素数量极不平衡的情况,并通过数据增强技术提高数据样本的数量和多样性,实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。
Jun, 2016
基于视频动作识别领域的灵感,我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型,以 2D 卷积神经网络的复杂度编码三维特征,通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割(AMOS)和除颅骨外多图谱标记(BTCV)数据集中验证了我们方法的有效性,表明 SSH-UNet 在性能上与最先进的架构相媲美,且更高效。
Jul, 2023
本文介绍了一种高效的 3D 卷积神经网络,采用 3D multi-fiber unit 并使用 3D dilated convolutions 来构建多尺度特征表示,以达到实时密集体积分割的目的,并在 BraTS-2018 挑战数据集上的实验结果表明,该神经网络架构在高保真度的前提下大大降低了计算成本。
Apr, 2019
研究介绍了一个简单而彻底评估的深度学习框架,应用于任意医学图像体的分割,同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集,排除了模型选择的过程和方法级别的过拟合。此外,使用多平面数据增强,结合了一个基于常见 U-Net 的 2D 架构,让 2D 模型学习表示 3D 图像体的表示方法,从而提高了泛化性能。
Nov, 2019
为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题,本文提出将体数据转化为 2D 超级图像,使用 2D 网络用于分割任务,具有实用价值和吸引更多相关研究的意义。
May, 2022
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
本文提出了一种新型的混合密集连接 UNet(H-DenseUNet)用于肝脏和肿瘤分割,该方法采用 2D DenseUNet 和 3D UNet 相结合的方式提取内部切片特征和聚合体积下的层次上下文信息,并通过混合特征融合(HFF)层联合优化模型。在 MICCAI 2017 肝肿瘤分割(LiTS)挑战数据集和 3DIRCADb 数据集上的评估表明,我们的方法在肿瘤分割结果上表现优于其他技术,而在单模型下,甚至可以取得具有一定竞争力的肝脏分割性能。
Sep, 2017
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
在 3D 卷积神经网络分割方面,一种部分可逆的 U-Net 架构通过减小内存消耗实现了深度增强并提高了分割准确性,在 BraTS 挑战数据集上展示出了很大的内存节省。
Jun, 2019
本文提出了一种名为 V-NAS 的网络结构搜索方法,它可以自动判断不同情况下选择 2D、3D 或 Pseudo-3D 卷积层,该方法在医学图像分割任务中很好地表现,在 3 个公共数据集上进行评估,分别为 NIH 胰腺数据集、来自医学分割十项全能挑战的肺和胰腺数据集, 无论是正常器官(NIH 胰腺)还是异常器官(MSD 肺肿瘤和 MSD 胰腺肿瘤),V-NAS 都明显优于其他先进技术,而且该搜索到的网络结构可以很好地推广到其他数据集中,并且具有鲁棒性和实用性。
Jun, 2019