TransCC: 用于冠状动脉 CCTA 分割的 Transformer 网络
该论文提供了一种基于 Point Transformer 的简单的血管标记方法,只需要冠状动脉分割,能够提高诊断效率和减少临床医生的人工劳动,在 53 位患者的实验中取得了良好的效果。
May, 2023
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
本文提出了一种新颖的多尺度架构 C2FTrans,它将医学图像分割形式化为粗 - 细过程。其中包含了一个跨尺度全局 Transformer 和一个边界感知局部 Transformer,能够在保持精细的同时降低计算复杂度,并在三个公共数据集上展现了超过现有 CNN 和基于 Transformer 的方法的表现。
Jun, 2022
通过 coronary computed tomography angiography (CCTA) 图像,提出了一种注重注意力的特征聚合的三维深度网络 (AGFA-Net),用于冠状动脉分割,该网络利用注意机制和特征细化模块来捕捉显著特征并提高分割准确性。在包含 1,000 个 CCTA 扫描的数据集上,AGFA-Net 的评估表现出卓越的性能,在 5 折交叉验证中平均 Dice 系数相似度达到 86.74%,Hausdorff 距离为 0.23 毫米。消融研究进一步验证了所提出模块的有效性,凸显了它们对于改进分割准确性的贡献。总体而言,AGFA-Net 提供了一个稳健且可靠的冠状动脉分割解决方案,解决了不同血管尺寸、复杂解剖和低图像对比度带来的挑战。
Jun, 2024
我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络(CNN)和 Transformer 混合网络(CAFCT)模型,用于肝肿瘤分割。在所提出的模型中,引入了其他三个模块:注意力特征融合(AFF)、DeepLabv3 的 Atrous 空间金字塔池化(ASPP)和注意力门(AGs),以改善与肿瘤边界相关的上下文信息,以实现准确的分割。实验结果表明,所提出的 CAFCT 在 Liver Tumor Segmentation Benchmark(LiTS)数据集上分别达到了 90.38% 的平均交并比(IoU)和 86.78% 的 Dice 分数,优于 Pure CNN 或 Transformer 方法,如 Attention U-Net 和 PVTFormer。
Jan, 2024
本研究采用混合卷积神经网络和 Transformer 的混合结构,提出了一种具有自适应特征提取能力和具有全局信息建模的方法,用于医学图像分割。实验结果表明,该方法比现有的方法具有更好的医学图像分割结果。
Jun, 2023
心脏准确分割对于个性化血流模拟和手术干预规划至关重要。我们改进了 ViT 以适应三维体积输入,并将其与 ResNet50 和级联上采样相结合的方式构建了 TRUNet。TRUNet 在比传统的 Residual U-Net 更短的时间内收敛,并且能产生与其相媲美或更好的左心室、左心房、左心房附属物、肺动脉和升主动脉的分割效果。 TRUNet 能更准确地分割血管边界,并更好地捕捉到心脏的整体解剖结构,对于医学影像中的三维语义分割任务具有很大潜力。
Oct, 2023
本文提出了一种新的医学图像分割混合架构,手持卷积神经网络和 Transformer,用于动态变形卷积和自适应互补注意模块改进卷积神经网络和 Transformer 的性能,以实现更好的医学图像分割结果。
Jun, 2023
将卷积神经网络和 Transformer 架构相结合,提出了一种先进的二维特征提取方法,利用平行编码器和通道注意模块实现更好的医学图像分割准确性。
Jan, 2024
使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术,在三个医学图像数据集上比较了它们的表现,并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较,在分类不同的解剖结构、所见和异常方面,我们的 Transformer 模型优于或更有效,比 CNN 基于的方法有所改进,建议将其用作算法开发的新基准算法。
Apr, 2023