U-Net v2:重新思考 U-Net 的跳跃连接在医学图像分割中的应用
通过在 U-Net 结构中加入融合模块以减小编解码器之间的语义差距,我们提出了一种名为 FusionU-Net 的新型分割网络,经过在多个病理图像数据集上的广泛实验评估,证明了 FusionU-Net 相较于其他竞争方法具有更好的性能,我们认为我们的融合模块比现有网络的设计更加有效,且可以轻松嵌入其他网络以进一步提高模型性能。
Oct, 2023
提出了一种名为 UNet ++ 的新神经结构,通过解决 U-Net 和全卷积网络(FCN)的两个限制(未知最佳深度和过于严格的融合方案),实现了医学图像分割的语义和实例分割,从而提高了对象大小的分割质量,并加速了 UNet ++ 的推理速度。
Dec, 2019
在医学图像分割中,通过探索 U-Net 中 skip 连接的潜在弱点,我们提出了 UDTransNet 框架,使用 Dual Attention Transformer (DAT) 和 Decoder-guided Recalibration Attention (DRA) 模块来解决编码器和解码器之间的语义差距,从而提高医学图像的分割效果。
Dec, 2023
本研究提出了一种名为 Sharp U-Net 的深度卷积神经网络模型,它采用深度卷积和锐化滤波器来解决 U-Net 的模糊和区域过度或不足的问题,在二元和多类医学图像分割任务中,使用该模型获得了超过同领域基线模型的性能表现。
Jul, 2021
提出了基于编码器解码器的方法 DoubleU-Net,该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。
Jun, 2020
通过分析 U-net 架构的神经网络,发现其网络层对于领域转移非常敏感,特别是在浅层网络中。在移除最上层的跳跃连接之后,性能得到了显著提升,不仅对于领域转移具有积极的影响,对于领域内测试数据也有 10%至 13%的性能提升。
Feb, 2024
本研究提出了 UNet++ 架构,采用深度监督编码器 - 解码器网络和密集跳过层来实现医学图像分割,与 U-Net 和 Wide U-Net 架构相比,拥有更高的 IoU 增益。
Jul, 2018
本文提出了基于 UNet 的新型深度学习网络 UNet 3 + 进行医学图像语义分割任务,此方法在多尺度特征融合、深度监督等方面优化 UNet,通过增加全尺度 skip 连接和采用深度监督的方式获得更准确的分割结果,特别适用于器官在不同尺度下出现的情况,并且该方法能在减少参数的同时提高计算效率,此外还提出了混合损失函数和分类引导模块来增强分割效果。
Apr, 2020
本文综述了使用 U-Net 及其变体进行医学图像分割的技术。医学图像的非侵入性诊断需要准确的分割图像。本文也概述了医学图像分割的发展、深度神经网络的优缺点以及不同混合体系结构的建立。最后提出了当前的挑战和未来的发展方向。
Apr, 2022
该论文介绍了一种轻量级的医学图像分割网络 SegNetr,利用 SegNetr 块在任何阶段动态执行局部 - 全局交互,并通过通用信息保留跳接连接 (IRSC) 有效地融合编码器和解码器的特征,从而在主流医学图像分割数据集上取得了与现有方法相当的分割性能,其组件可应用于改善其他 U 型网络的分割性能。
Jul, 2023