Sep, 2023

MS-UNet-v2: 医学图像分割的自适应降噪方法与小数据训练策略

PDF
TL;DR基于医学图像分割任务，我们提出了一种名为 MS-UNet 的新型 U-Net 模型。与 Swin-UNet 和 TransUnet 中使用的单层 U-Net 解码器结构不同，我们专门为 U-Net 设计了基于 Swin Transformer 的多尺度嵌套解码器。我们还提出了一种新颖的边界损失和即插即用微调去噪模块，这不仅有效提高了 MS-UNet 的分割性能，还可以单独应用于其他模型。实验证明，MS-UNet 在更高效的特征学习能力方面有效提升了网络性能，尤其是在少量训练数据的极端情况下，并且所提出的边界损失和去噪模块能显著增强 MS-UNet 的分割性能。
u-like structuresmedical image segmentationms-unetmulti-scale nested decoderedge loss
发现论文，激发创造
  • DS-TransUNet: 医学图像分割的双 Swin Transformer U-Net

    本研究提出了 Dual Swin Transformer U-Net (DS-TransUNet) 框架，它是第一次尝试将 Swin Transformer 的优势同时融入到标准 U 形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet 显著优于现有的医学图像分割方法。

    Jun, 2021

  • DoubleU-Net: 医学图像分割的深度卷积神经网络

    提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

    Jun, 2020

  • Swin-Unet: 纯 Transformer 风格的 Unet 模型用于医学图像分割

    该研究提出了 Swin-Unet，一种基于 Transformer 的 Unet 用于医学图像分割，它通过层次 Swin Transformer 与 SHIFT 窗口技术来提取上下文特征，使得该纯 Transformer 的编码解码网络在多器官和心脏分割任务方面表现超越传统的基于卷积和变换的方法。

    May, 2021

  • 编码器更复杂并非唯一需求

    U-Net 及其变种在医学图像分割中被广泛使用，然而大多数变种仅仅将改进策略局限于构建更复杂的编码器，而忽视了解码器的真正功能和提高分割结果的关键作用。为解决相关研究的空白，我们引入了 neU-Net，其中包括一种新颖的子像素卷积来进行上采样，以构建强大的解码器，并在编码器端引入多尺度小波输入模块以提供额外的信息。我们的模型设计在 Synapse 和 ACDC 数据集上取得了出色的结果，超过了其他最先进的方法。

    Sep, 2023

  • TransUNet：使用 Transformers 强大编码器进行医学图像分割

    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

  • 基于 Swin Transformer 和多尺度 MLP 的高效 U 形架构用于医学图像分割的 STM-UNet

    本文提出了一种基于 Swin Transformer 和多尺度 MLP 的高效 U 形架构，即 STM-UNet，用于医学图像分割，旨在有效利用 Transformer 和 MLP 以提高模型性能和全局特征建模能力，设计了一种新型 PCAS-MLP 并将其放置到架构的 “瓶颈” 中，提高了分割性能。实验结果表明，我们提出的方法在 ISIC2016 和 ISIC2018 方面优于其他状态下最先进的方法，同时在高分割准确性和低模型复杂性之间取得了更好的平衡。

    Apr, 2023

  • SeUNet-Trans: 医学图像分割的简单而有效的 UNet-Transformer 模型

    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

  • 3D TransUNet：通过视觉 Transformer 提升医学图像分割

    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

  • UNet++：用于医学图像分割的嵌套 U-Net 架构

    本研究提出了 UNet++ 架构，采用深度监督编码器 - 解码器网络和密集跳过层来实现医学图像分割，与 U-Net 和 Wide U-Net 架构相比，拥有更高的 IoU 增益。

    Jul, 2018

  • Dilated-UNet：一种使用扩张变换器和 U-Net 结构的快速准确的医学图像分割方法

    介绍了 Dilated-UNet，结合了 Dilated Transformer 块和 U-Net 架构，用于快速准确地进行医学图像分割，并在多个具有挑战性的医学图像分割数据集上取得了优于其他模型的成果。

    Apr, 2023