Nov, 2023

仅考虑正例：基于 5 折高阶注意力交互模型的皮肤分割导出分类

PDF
TL;DR通过高阶注意力交互机制的多重高阶注意力交互模型（MHA-UNet），我们提出了一种高度可解释的皮肤病变分割任务方法，实现了无需负样本训练的病变存在性判断，并在多个公开数据集上展示了分类和分割实验的先进性能。
computer-aided diagnosisinterpretabilityneural networksskin lesion segmentationhigh-order attention interaction
发现论文，激发创造
  • 多任务可解释性皮肤病变分类

    通过使用多任务少样本学习方法，我们提出了一种适应少量标记数据的多任务少样本学习方法，结合分割网络和分类网络，以实现对皮肤病变的自动分类和检测，提高皮肤癌的早期检测率。

    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

  • 优化通用病变分割：由状态空间模型引导的分级网络与特征重要性调整

    通过融合状态空间模型（SSM）和高级分层网络（AHNet），提出了一种针对医学成像中语义分割任务的 Mamba-Ahnet 方法，通过图像分割和特征理解来提高分割的准确性和鲁棒性。通过分解图像为小块并通过自我注意机制来优化特征理解，该方法显著提高了特征分辨率。Mamba-Ahnet 进一步通过选择性地放大信息区域和学习富有层次结构的特征来增强分割性能。在通用病变分割数据集上的评估结果表明，与先进技术相比，我们的方法表现出更高的性能，其中 Dice 相似系数约为 98%，交并比约为 83%。我们的方法有望提高诊断准确性、治疗规划的精度以及患者的治疗效果，并代表医学成像技术的重要进展。

    Apr, 2024

  • 基于多任务关注机制的半监督学习在医疗图像分割中的应用

    该研究提出了一种新颖的半监督图像分割方法，该方法同时优化了监督分割和无监督重建目标，并使用了注意机制。使用未标记的和少量标记的图像进行训练，该方法在大脑肿瘤和白质高信号分割等应用中表现优异。多次尝试后，发现交替训练比联合训练成本更低且性能更好，同时，该注意力机制有助于更好地识别深层次图像特征。

    Jul, 2019

  • 基于 CNN 的皮肤病变分类及基于图块的注意力和诊断引导的损失加权

    本研究提出了一种新的基于补丁注意力机制的体系结构，可以为高分辨率图像提供全局上下文，在皮肤病变分类中优于其他基于补丁的方法，并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。

    May, 2019

  • 应用关注图扩增进行超复数乳腺癌分类

    通过提出的参数化超复杂关注地图（PHAM）框架，我们展示了其在乳腺癌图像分类方面的有效性，该框架使用深度学习技术和关注地图来改善诊断性能，并在乳腺癌图像和组织学图像方面超越了基于注意力的最先进网络和现有方法的实值版本。

    Oct, 2023

  • 多尺度注意力多实例学习用于多千兆像素组织学图像分类

    本文提出了一个深度学习管道，以多个实例学习和注意力机制对组织检查图像进行分类，并成功实现了对鼻咽癌的 LMP1 状态预测。通过可视化注意力分数，该方法还允许对模型的解释性进行检查。

    Sep, 2022

  • MESAHA-Net：基于多编码器的自适应硬注意力网络与最大强度投影用于 CT 扫描中的肺结节分割

    本文提出了一种基于多编码器的自适应硬注意力网络 (MESAHA-Net) 的方法用于 CT 扫描中肺结节的精确分割，该方法包含一个关注块和一个解码器块，采用了一种新颖的自适应硬注意力机制，能够在不同种类的输入下针对肺结节进行 2D 逐层分割，生成 3D 容积分割，经 LIDC-IDRI 数据集全面评估后发现，在医疗实现中具有高鲁棒性和更好的分割精度和计算复杂度。

    Apr, 2023

  • 混合多头关注式三维 Unet 用于脑肿瘤分割

    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

  • 用于行人再识别的混合高阶关注网络

    提出了高阶注意力模块和混合高阶注意力网络，用于提高人物再识别的歧视性和注意力知识的丰富性。在三个大型数据库上实验验证了该方法的优越性。

    Aug, 2019