CV-Attention UNet:基于注意力机制的 3D 脑血管增强 TOF-MRA 图像分割
本文提出了一种基于 3D 注意力的 U-Net 架构,用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度,从而减少了对健康组织的侧重和突出了恶性组织,提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估,证明其在精度上优于其他方法。实验结果表明,该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力,有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。
May, 2023
本文研究了使用卷积神经网络结合注意力机制进行脑肿瘤分割和预测患者生存率的方法,其中应用了一些基于图像、形状和位置信息的新型 Radiomic 特征,并发现像组织学特征直方图、病灶位置、形状以及年龄等临床特征是预测生存率的最为关键的因素。
Apr, 2021
提出了一种新颖的混合多头注意力 U-Net 架构,用于准确的脑肿瘤分割,并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比,该模型在评估性能指标方面表现出色。
May, 2024
使用 FocalSegNet 和条件随机场(CRF)后处理的弱监督学习技术,可以从时间飞行磁共振血管成像(MRA)的粗略标签中获取精细的未破裂颅内动脉瘤(UIAs)分割,具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比,FocalSegNet 表现出更好的性能,并且焦点调制技术对该任务有益。
Aug, 2023
本文提出了一种全注意力 U-Net 模型,通过使用通道注意力和空间通道注意力在 U-Net 编码器和解码器的不同侧面,实现了对头部 CT 扫描中颅内出血类型的准确形状提取和分类,模拟结果显示相比基线(ResNet50 + U-Net),改进了 31.8%,并在注意力有限的情况下取得了更好的性能。
Dec, 2023
提出了一种名为 RA-UNet 的三维残差关注分割方法,可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明,该架构在肝肿瘤分割任务上胜过其他最先进的方法,并在脑肿瘤分割任务上取得良好的性能表现。
Nov, 2018
该研究提出了一种高效的多视图学习框架,通过与各种变换的多个增强视图进行比较,对比学习不变的血管特征表示,以克服数据短缺问题并提高泛化能力,同时将注意机制集成到卷积神经网络中,用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证,使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分,分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。
Nov, 2023
本文提出了一种改进的 UNet 结构,称为 SLCA UNet,它结合了残差密集块、分层注意力和通道注意力模块,以及堆叠卷积。在脑肿瘤分割上,该方法在 BraTS 2020 数据集上表现良好,平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。
Jul, 2023
用 T2 磁共振成像合成大脑 Willis 环的主要脑动脉分割的编码器 - 解码器模型,其根据 T2 磁共振成像提取相关信息,与现有模型相比,产生具有更高分辨率的 Willis 环血管分割。
Aug, 2023
本研究提出一种新型编码器 - 解码器深度网络结构,利用在当前帧中心处以滑动窗口方式,利用 2D+t 连续图像的多个上下文帧来分割 2D 血管掩膜。该架构具有时间和空间特征提取,跳跃连接层中的特征融合和解码器阶段的通道注意机制。通过对所提出的方法与其他最先进算法进行比较的广泛实验证明了该方法在定量指标和视觉验证方面的优越性。
Feb, 2021