G-CASCADE: 高效级联的图卷积解码用于 2D 医学图像分割

Oct, 2023

G-CASCADE: 高效级联的图卷积解码用于 2D 医学图像分割

G-CASCADE: Efficient Cascaded Graph Convolutional Decoding for 2D Medical Image Segmentation

Md Mostafijur Rahman, Radu Marculescu

TL;DR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。

Abstract

In recent years, medical image segmentation has become an important application in the field of computer-aided diagnosis. In this paper, we are the first to propose a new graph convolution-based decoder namely, C

medical image segmentation graph convolution-based decoder cascaded graph convolutional attention decoder (g-cascade)transformer encoders dice scores

发现论文，激发创造

稀疏编码解码器实现的医学图像分割

基于卷积稀疏向量编码的解码器，名为 CASCSCDE，在医学图像分割中有效地提升了 Transformers 模型的性能。

Oct, 2023

医学图像分割的多尺度自引导注意力

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

多层稠密注意力解码器用于息肉分割

通过引入名为 Dense Attention Gate 的新模块，建立了多层特征之间的本地特征关系，同时采用新的嵌套解码器架构来增强语义特征，并与 PVT 主干网络相结合，实现了多层密集特征的层次聚合，从而在多个数据集上取得了最新的性能表现，优于先前的模型。

Mar, 2024

级联注视：图像修复中全局语境提取的高效性

本文介绍了一种名为 CGNet 的编码 - 解码架构，它采用了全局上下文提取器（GCE），这是一种用于图像恢复的新颖高效的捕捉全局信息的方法。通过在卷积层之间使用小核心来学习全局依赖关系，GCE 模块无需自注意力即可实现。广泛的实验结果表明，我们的方法在去噪基准数据集（包括真实图像去噪和合成图像去噪）以及图像去模糊任务上优于一系列最先进的方法，同时具有更高的计算效率。

Jan, 2024

医学变压器：门控轴向注意力在医学图像分割中的应用

本文探讨了 Transformer 网络架构在医学图像分割任务中的可行性，并提出了一种 Gated Axial-Attention 模型和 Local-Global 训练策略以提高模型性能。实验表明，在三组不同的医学图像数据集上，该 Medical Transformer 模型优于卷积和其他相关的 Transformer-based 架构。

Feb, 2021

TEC-Net: 视觉 Transformer 集成卷积神经网络用于医学图像分割

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

双图卷积网络用于语义分割

本文提出了一种基于图卷积网络的新方法 (DGCNet)，主要用于像素级预测任务，为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文，并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果

Sep, 2019

ParaTransCNN：用于医学图像分割的并行化 TransCNN 编码器

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

CATS v2：用于鲁棒医学分割的混合编码器

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

基于聚合多分辨率跳跃连接的深度卷积编码器 - 解码器用于皮肤病变分割

本研究提出一种利用金字塔池化模块的编码 - 解码神经网络模型，通过深度跳跃连接聚合全局上下文并补偿丢失的空间信息，以提供标准化的皮肤黑色素瘤患者计算机辅助分析，并通过 ISIC 2018 数据集的训练和验证，在 Jaccard 系数上取得了 0.837 验证准确性，优于 U-Net，相信这种方法可以用于临床实践。

Jan, 2019