HCA-Net：用于椎间盘语义标记的分层上下文注意力网络

Nov, 2023

HCA-Net：用于椎间盘语义标记的分层上下文注意力网络

HCA-Net: Hierarchical Context Attention Network for Intervertebral Disc Semantic Labeling

Afshin Bozorgpour, Bobby Azad, Reza Azad, Yury Velichko, Ulas Bagci...

TL;DR通过 HCA-Net 体系结构，我们提出了一种新的语境注意力网络来进行椎间盘（IVD）的语义标注，特别关注利用先前的几何信息。通过将 IVD 标记作为姿势估计问题，我们的方法通过最小化每个预测 IVD 位置与其相应的实际关节位置之间的差异来优化准确性。通过在多个中心脊柱数据集上进行广泛的实验评估，我们的方法在 MRI T1w 和 T2w 模态上始终优于先前的最先进方法。

Abstract

Accurate and automated segmentation of intervertebral discs (IVDs) in medical images is crucial for assessing spine-related disorders, such as osteoporosis, vertebral fractures, or IVD herniation. We present HCA-Net, a novel contextual attention network architecture for semantic labeli

ivd segmentation contextual attention network geometric information skeletal loss term spine-related disorders

发现论文，激发创造

使用深度图像到图像网络，结合信息传递和稀疏正则化方法，在大规模三维 CT 中自动标记椎骨

本研究提出一种自动定位和标记三维医学图像中椎体中心的算法，使用 DI2IN 进行初始化，使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进，最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。

May, 2017

人 - 物交互检测的视觉 - 语义图注意力网络

通过双图注意力网络，可以动态地从主要的人 - 物关系和附属关系中聚合环境视觉、空间和语义信息以实现强大的消岐能力。

Jan, 2020

通过自级联卷积神经网络完成超高分辨率图像的语义标注

提出了一种基于 CNN 的新型深度模型（ScasNet），用于在具有高度复杂的城市环境下对非常高分辨率（VHR）图像进行语义标注。ScasNet 通过全局到局部环境聚合和粗到精微的细化策略，以及专用的残差校正方案，大大提高了标记的一致性和准确性，并在三个公共数据集上获得了最先进的性能。

Jul, 2018

粗 - 细定位和分类的多尺度上下文引导的腰椎疾病识别

本文介绍了一种名为 CCF-Net 的多尺度上下文引导网络，具有从粗到细的定位和分类方式，用于腰椎疾病识别。研究表明，这种粗到细的设计具有更少的参数和数据需求，并且使用 ResNet18 和 ResNet50 进行实验可以显著提高性能。

Mar, 2022

使用基于分区标签注意力的自动 ICD 编码网络

本论文提出一种新的神经网络架构，用于自动 ICD 编码，它包含两种编码器和两种标签注意层，分别从输入中提取重要的全局和局部特征表示，有效地提高了性能。我们在 MIMIC-III 数据集上验证了所提出方法的有效性。

Nov, 2022

基于稀疏体素图注意力网络的点云三维物体检测 SVGA-Net

本文提出了 Sparse Voxel-Graph Attention Network (SVGA-Net) 网络，采用体素图和稀疏回归模块等方法，可从原始 LIDAR 数据中实现 3D 对象检测任务，通过实验验证了 SVGA-Net 的高效性和检测准确率。

Jun, 2020

神经手：一种弱监督的层次化关注网络用于神经影像异常检测

在临床医院环境中，使用磁共振成像（MRI）扫描，我们提出了一种基于分层注意力网络的异常检测方法。这种分层方法提高了分类精度，同时通过粗糙的切片异常定位或不同切片和序列的重要性评分来解释模型的结果，使其适用于放射科部门的自动分诊系统。

Nov, 2023

用于三维医学图像分割和检测的容积式注意力

提出了一种 3D 医学图像分割和检测的容积注意力（VA）模块。VA 注意力受到视频处理的最新进展的启发，并使得 2.5D 网络能够利用沿着 z 方向的上下文信息，从而在训练数据有限时允许使用预先训练的 2D 检测模型。其与 Mask R-CNN 的整合显示，在肝肿瘤分割挑战中实现了最优表现，超越了以前的挑战赢家 3.9 分，并在 LiTS 排行榜上达到了最佳成绩。在 DeepLesion 数据集上的检测实验也表明，将 VA 添加到现有的物体检测器中，可以获得 69.1 的灵敏度，每张图像的 0.5 假阳性，超越了已发表的最佳结果 6.6 分。

Apr, 2020

一种用于建模多尺度模糊的层次概率 U-Net

提出一种用于鲜明可辨的多级细节分割的分割网络，Hierarchical Probabilistic U-Net，它采用基于条件变分自编码器的分层潜空间分解，可以在自动分离多个规模的独立因素的同时，学习跨规模的复杂结构分布，从而实现对医疗扫描的分割以及对神经生物学和自然图像实例分割的能力的提升。

May, 2019

AXIAL：基于 2D CNN 的 3D MRI 脑部扫描的阿尔茨海默病定位诊断可解释性的注意力机制

这项研究提出了一种创新的方法来诊断阿尔茨海默病，使用设计用于增强模型决策可解释性的 3D MRI。我们的方法采用了软注意力机制，使 2D CNN 能够提取体积表示。同时，学习每个切片在决策中的重要性，生成了一个能够解释的 MRI 的体素级注意力图。通过使用阿尔茨海默病神经影像学计划（ADNI）的一个标准化的 MRI 数据集来测试我们的方法并确保结果的可重复性。在这个数据集上，我们的方法在两个任务中显著优于最先进的方法：（i）将 AD 与正常认知（CN）区分，准确率为 0.856，Matthew's 相关系数（MCC）为 0.712，分别比第二名提高了 2.4％和 5.3％；（ii）在区分稳定和进展性轻度认知障碍的预测任务中，准确率为 0.725，MCC 为 0.443，比第二名分别提高了 10.2％和 20.5％。我们通过采用双重迁移学习策略实现了这一预测结果，增强了对形态变化的敏感性，并促进了早期 AD 的检测。通过体素级精确度，我们的方法确定了哪些特定区域受到关注，并确定了这些主导脑区域：海马、杏仁核、视角回、下侧脑室。所有这些区域与 AD 的发展有关。此外，我们的方法在不同的交叉验证折叠中始终找到了相同的与 AD 相关的区域，证明了其在突出与该疾病的已知病理标志密切相关的区域方面的稳健性和精确性。

Jul, 2024