Nov, 2023

使用集成的CNN-Transformer在医学图像中捕捉局部和全局特征

HTML
PDF
TL;DR本文介绍了一种名为可控集成变换器和CNN（CETC）的突破性分类模型，用于医学图像的分析。该模型通过结合卷积神经网络（CNN）和变换器的强大功能，有效捕捉医学图像中的局部和全局特征。模型架构包括三个主要组件：卷积编码器块（CEB），转置卷积解码器块（TDB）和变换器分类块（TCB）。实验结果明显表明了CETC模型的优越性，并强调其在准确高效地分析医学图像方面的潜力。
发现论文，激发创造
  • 基於深度卷積神經網絡的計算機輔助檢測：CNN架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将ImageNet预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • TransMed: 基于Transformers 的多模态医学图像分类

    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

  • 医学图像分割的全卷积Transformer

    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

  • 预训练的ViT模型在医疗图像中得到了多用途的表示

    本研究探讨了视觉 Transformer 在医学图像分类中的优劣，并发现使用预训练模型时，视觉 Transformer 可以与卷积神经网络媲美，成为 CNN 的一种可行替代方法。

    Mar, 2023

  • 用于胸部X射线和胃肠道图像分类的视觉Transformer

    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

  • CiT-Net: 卷积神经网络和视觉Transformer手牵手进行医学图像分割

    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

  • 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

  • 少量数据下，紧凑卷积Transformer使医学影像分类更强壮

    本研究探讨了Compact Convolutional Transformers（CCT）在使用有限数据进行稳健的医学图像分类方面的功效，结果明确了CCT在生物医学成像领域具有数据稀缺问题的潜力并鼓励进一步的研究。

    Jul, 2023

  • 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

  • 卷积神经网络、ResNet和视觉Transformer在胸部疾病多分类中的比较研究

    使用大规模语言模型和Transformer架构，基于ViT模型，在多标签分类任务中对胸部X射线图像进行准确的肺部疾病诊断。

    May, 2024