超越自注意力:用于医学图像分割的可变形大卷积核注意力
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
本文系统地回顾了基于注意力机制的医学图像分割技术,总结了不同注意力机制(包括非Transformer和Transformer注意力)的原理、实现方法和应用任务,分析了它们的优点和局限性,归纳总结了当前研究进展和存在的不足,并探讨了未来的挑战。
May, 2023
通过使用自监督算法S³-Net结合Inception Large Kernel Attention(I-LKA)模块、可变形卷积和空间一致性损失项,本研究提出一种精确医学图像分割方法,并在皮肤病变和肺器官分割任务中展现了超越SOTA方法的卓越性能。
Aug, 2023
通过将深度可分离卷积核的二维卷积核分解为级联的水平和垂直一维卷积核,提出了一种名为Large Separable Kernel Attention(LSKA)模块的家族,用于减少计算复杂性和内存占用,同时在视觉注意力网络(VAN)中实现具有大卷积核的注意力模块,并表明LSKA模块比VAN中的标准LKA模块具有更大的目标形状偏好和较低的计算复杂度和内存占用。
Sep, 2023
本文介绍了3D DeformUX-Net,一种创新的体积卷积神经网络模型,它灵活地处理了传统上与ViTs和大内核卷积相关的缺点,并且在四个具有挑战性的公共数据集上持续优于现有的最先进的ViTs和大内核卷积模型。
Sep, 2023
Hierarchical transformers have introduced the DLK and DFF modules in the D-Net architecture, resulting in improved performance for medical image segmentation tasks.
Mar, 2024
EMCAD是一种高效的多尺度卷积关注解码器,通过引入多尺度卷积来提高特征图,同时采用通道、空间和分组(大核)门控关注机制,以捕捉复杂的空间关系并关注显著区域,从而优化医学图像分割的性能和计算效率。
May, 2024
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
本研究聚焦于医学图像分割中的大小、形状和密度差异的问题,提出了一种新颖的深度分割框架MSA2Net,结合了局部和全局特征以提升分割精度。特别地,研究推出了多尺度自适应空间注意力门(MASAG),动态调整感受野以突出相关特征并降低背景干扰。实验表明,MSA2Net在皮肤病学和放射学数据集上超越或匹配了当前最先进的性能。
Jul, 2024
本研究聚焦医学图像分割中的结构变异问题,提出了MSA$^2$Net框架,通过动态调整局部和全局上下文信息,有效融合细粒度和粗粒度特征。实验显示,MSA$^2$Net在多个数据集上超越了现有最先进技术,具有显著的应用潜力。
Jul, 2024