Oct, 2023

OCU-Net：一种用于增强口腔癌分割的新型 U-Net 架构

PDF
TL;DR准确检测口腔癌对于改善患者预后至关重要。然而，在这一领域面临两个关键挑战：缺少专门针对口腔癌的深度学习图像分割研究和缺乏带注释的数据。我们的研究提出了 OCU-Net，这是一种独特设计的 U-Net 图像分割架构，专门用于检测血红蛋白和嗜酸性染色（H&E）图像数据集中的口腔癌。OCU-Net 融合了先进的深度学习模块，如通道和空间注意力融合 (CSAF) 模块，这是一种强调 H&E 图像中重要通道和空间区域并探索上下文信息的新颖特性。此外，OCU-Net 还集成了其他创新组件，如挤压激励 (SE) 注意力模块、空洞空间金字塔池化 (ASPP) 模块、残差块和多尺度融合。这些模块的结合在本研究中展现出对两个数据集的口腔癌分割的优越性能。此外，我们有效利用了高效的预训练 ImageNet 的 MobileNet-V2 模型作为 OCU-Net 的骨干网络，创建了 OCU-Netm，一个达到最先进结果的增强版本。全面评估表明，OCU-Net 和 OCU-Netm 优于现有的分割方法，在 OCDC 和 ORCA 数据集的 H&E 图像中准确识别癌细胞。
发现论文，激发创造
  • CU-Net：一种用于 BraTS 2019 数据集上高效脑肿瘤分割的 U-Net 架构

    使用 Columbia-University-Net (CU-Net) 架构和 BraTS 2019 数据集，本研究提出了一种精确分割脑肿瘤的新方法，该方法通过卷积层、最大池化和上采样操作构建对称 U 型结构的 CU-Net 模型，Dice 系数高达 82.41%，超过了其他两个最先进的模型，这种分割准确性的提升突显了该模型的鲁棒性和有效性，有助于精确确定肿瘤边界，对于手术规划和放射治疗至关重要，最终有潜力改善患者预后。

    Jun, 2024

  • 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

  • 3D-OOCS：基于归纳偏置的前列腺分割学习

    本研究提出一种基于 OOCS 增强的卷积神经网络结构，用于 3D 医学图像分割，与基础 3D U-Net 相比，该网络能更好地适应来自不同扫描仪的各种协议及其产生的各种图像属性或伪影，本研究还通过对比揭示了其在 3D MRIs 下，用于自动前列腺分割任务中具有更出色的准确性和鲁棒性。

    Oct, 2021

  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • DCSAU-Net：一种用于医学图像分割的更深更紧凑的分离式注意力 U-Net

    本文提出了一种更深、更紧凑的深度学习结构 DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

    Feb, 2022

  • AWGUNET: 基于注意力引导小波 U-Net 的组织病理图像细胞核分割

    准确的核分割对于癌症诊断至关重要。本文提出了一种将 U-Net 架构与 DenseNet-121 主干相结合的分割方法，利用两者的优势捕捉全面的上下文和空间信息。我们的模型引入了小波引导通道注意模块以增强细胞边界勾画，并使用可学习的加权全局注意模块进行通道特定的注意。解码器模块进一步完善了染色图案处理中的分割。在 Monuseg 和 TNBC 两个公开可访问的组织病理学数据集上进行的实验结果突显了我们提出模型的优越性，显示了其推动组织病理学图像分析和癌症诊断的潜力。代码可在此链接获得：[this https URL]

    Jun, 2024

  • FAU-Net: 一个具有特征金字塔注意力的注意力 U-Net 扩展用于前列腺癌分割

    本研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该模型与七种不同的基于 U-Net 的架构进行了比较，并通过 Dice Score (DSC) 和 Intersection over Union (IoU) 评估了每个模型在中央区域 (CZ)、外周区域 (PZ)、转换区域 (TZ) 和肿瘤区域的自动分割性能。该提出的方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，在本研究中的大多数模型中表现优异，仅次于 R2U-Net 和注意力 R2U-Net 架构。

    Sep, 2023

  • 混合多头关注式三维 Unet 用于脑肿瘤分割

    提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

    May, 2024

  • UCM-Net：使用 MLP 和 CNN 的轻量级高效皮肤病变分割解决方案

    通过整合多层感知器和卷积神经网络，我们提出了一种高效低成本的 UCM-Net 解决方案，用于皮肤病变分割，其参数不超过 50KB 且每秒运算次数不超过 0.05 Giga-Operations，为皮肤病变分割领域的高效性设立了新的可能标准。

    Oct, 2023

  • 基于 GRU 网络的乳腺组织病理图像分割

    本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对 MultiResU-Net 的跳跃连接采用控制稠密残差块，以从编码器层向解码器层传递信息，使用从提取的空间特征导出的缩放参数，以控制的方式进行传递。验证实验表明，在 TNBC 和 MonuSeg 等两种不同类型的乳腺癌组织病理学图像数据集上，与现有方法相比，该方法展现出卓越的分割性能。该模型的代码可在该 https URL 找到。

    Jun, 2024