应用混合融合变压器处理多序列 MRI
该研究提出了一种基于 3D Transformer 的分割方法,采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征,通过在公共数据集中对脑肿瘤的分割实验验证,证明其优于其他目前最先进的方法。
Apr, 2023
提出了一种名为混合融合生成对抗网络(HF-GAN)的新型统一框架,通过多模式磁共振成像,使得通过补充信息来提供可靠的临床应用诊断。实验证明,该方法在数据插补任务中表现出优异的性能,并且比现有方法在定量和定性比较方面更加优越。
Jun, 2024
本文介绍了用于医学图像分割的 TransFuse 并行网络结构,将 Transformers 和 CNNs 并置,以有效地捕捉全局依赖关系和低级别空间细节,且使用了一种新的特征融合方法 —BiFusion 模块来融合两个分支的多级特征。实验结果表明,TransFuse 在医学图像分割任务中的性能优于目前最先进的技术,同时在参数数量和推断速度上也有显著改进。
Feb, 2021
提出了一种基于全卷积 transformer 的医疗图像分割模型,该模型可处理各种数据模态,能够有效地提取输入图像的语义依存关系并捕获其分层全局属性,并在多个数据集上表现优异,相对于同类模型具有参数少的特点。
Jun, 2022
通过融合 transformers 和 CNNs,我们提出了一种混合架构用于医学图像分割,旨在克服 CNNs 在捕捉全局依赖性和局部空间细节方面的局限性。我们通过比较各种架构和配置,并进行多次实验来评估它们的有效性。
Jan, 2024
提出了一种采用 CNN-Transformer 混合网络的多模态特征蒸馏的准确脑肿瘤分割方法,用于处理缺少模态的脑肿瘤图像,通过多个模块实现了特征提取和融合,提高了缺失模态情况下的分割性能,实验证明了方法的有效性。
Apr, 2024
该研究提出了一种结合了 CNN 和 transformer 的方法 ——TransMed,在多模态医学图像分类中取得了很好的性能,这一方法为医学图像分析任务开启了更多可能性。
Mar, 2021
本文提出了使用 Transformer 和 3D CNN 实现 MRI 脑肿瘤分割的新网络 TransBTS。该网络同时利用全局和局部特征进行分割,并在 BraTS 2019 和 2020 数据集上取得了当前最高水平的分割效果。
Mar, 2021
该研究提出了一种多模态医学 Transformer (mnFormer),用于不完整多模态学习的脑肿瘤分割,并且该方法在 BraTS 2018 数据集上显示出了比现有方法更好的表现。
Jun, 2022
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