稀疏编码解码器实现的医学图像分割
近年来,医学图像分割已成为计算机辅助诊断领域的重要应用。本文首次提出了一种新的基于图卷积的解码器,即级联图卷积注意力解码器(G-CASCADE),用于 2D 医学图像分割。通过有效的图卷积块,G-CASCADE 逐渐改进由分层 Transformer 编码器生成的多阶段特征图。编码器利用自注意机制来捕捉长程依赖性,而解码器通过图卷积块的全局感受野来改进特征图以保留长程信息。在对五个医学图像分割任务(即腹部器官、心脏器官、息肉病变、皮肤病变和视网膜血管)进行了严格评估后,我们的解码器在性能方面优于其他最先进的方法。此外,我们还证明了我们的解码器在参数数量减少 80.8% 和浮点运算量减少 82.3% 的情况下实现了更好的 DICE 分数。我们的解码器可以与其他分层编码器轻松结合,用于通用的语义和医学图像分割任务。
Oct, 2023
我们进一步扩展了我们以前的工作,并提出了具有混合编码器的 CATS v2。具体来说,混合编码器由一个基于 CNN 的编码器路径和一个具有移位窗口的 transformer 路径组成,更好地利用了本地和全局信息来产生稳健的 3D 医学图像分割。我们在两个公共挑战数据集上评估了所提出的方法,并与最先进的方法进行了比较,在 Dice 分数方面表现出卓越的性能。
Aug, 2023
这篇论文介绍了三种基于深度卷积稀疏编码网络的图像融合任务,并使用字典卷积单元将 CSC 模型和迭代收缩阈值算法泛化,从而从数据中学习所有超参数。广泛的实验和综合比较表明,与量化评估和视觉检查相关的所有性能指标中,所提出的网络优越性显著。
May, 2020
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
本篇论文介绍了一种新的 UNETR 架构,通过使用 Transformer 作为编码器,可以捕捉更长程的空间依赖性,同时保持 “U 形” 的网络设计。实验证明,在多个数据集上,该方法在多器官分割任务上取得了最新的最优性能。
Mar, 2021
本论文介绍了一个名为空间跨尺度卷积(SCSC)的模块,通过验证其在改善 CNN 和 Transformers 方面的有效性。SCSC 引入了一种高效的空间跨尺度编码器和空间嵌入模块,以在一个层次中捕捉各种特征。通过在人脸识别任务中使用 SCSC 的 FaceResNet,在 68% 的 FLOPs 和 79% 的参数减少情况下,提高了 2.7% 的性能;在 ImageNet 分类任务中,使用 SCSC 的 Swin Transformer 在 22% 的 FLOPs 减少情况下实现了更好的性能,并且使用 SCSC 嵌入的传统网络(如 ResNet)可以与 Swin Transformer 的性能匹敌。
Aug, 2023
本文提出了一种名为 Deep Sparse Coding 的新的无监督特征学习框架,扩展了稀疏编码到多层体系结构,用于视觉对象识别任务,在不同层次的稀疏编码之间连接一种稀疏到密集的模块,结合卷积神经网络(CNN)可达到最先进的性能表现。
Dec, 2013
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
本文介绍了一种深度学习模型 DeepLabv3+,将网络的编码器和解码器模块相结合,采用空洞空间金字塔池化和深度可分离卷积技术,用于语义分割任务,实验表明该模型取得 89.0% 和 82.1% 的测试集性能,且附有 TensorFlow 参考实现。
Feb, 2018
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