DeepPyramid+: 利用金字塔视图融合和可变形金字塔接受的医学图像分割

Dec, 2023

DeepPyramid+: 利用金字塔视图融合和可变形金字塔接受的医学图像分割

DeepPyramid+: Medical Image Segmentation using Pyramid View Fusion and Deformable Pyramid Reception

Negin Ghamsarian, Sebastian Wolf, Martin Zinkernagel, Klaus Schoeffmann, Raphael Sznitman

TL;DR深度金字塔 + 是一个网络架构，通过引入金字塔视图融合（PVF）和可变形金字塔感受野（DPR）两个重要模块，有效解决了医学图像和手术视频分割中的多种挑战，如异质性类别、可变形形状和透明特征等，通过实验证明了其在各种挑战下的优越表现。

Abstract

semantic segmentation plays a pivotal role in many applications related to medical image and video analysis. However, designing a neural network architecture for medical image and surgical video segmentation is c

semantic segmentation neural network architecture medical image analysis surgical video segmentation deeppyramid+

发现论文，激发创造

基于金字塔融合网络的深度传感器融合技术用于三维语义分割

本文提出了一种基于金字塔结构的深度融合体系结构，用于提高交通场景的 3D 语义分割效果，它可以将相机图像和激光雷达的特征图从不同层次进行融合，并结合多模态特征计算出有价值的多尺度特征以进行更准确的 3D 语义分割。

May, 2022

双流金字塔配准网络

提出了一种双流金字塔配准网络（称为 Dual-PRNet），用于无监督的三维医学图像配准，该网络采用两种流体系结构，能够从卷积特征金字塔中计算多尺度的配准场，并通过逐步变形以逐步细化配准场，能够处理大的空间或切片空间中的重要变形，该方法在两个标准的大脑 MRI 配准基准测试中表现优异。

Sep, 2019

一种基于多尺度特征金字塔网络和双重注意力机制的腹部 MRI 图像分割算法

该研究提出了一种基于多尺度特征金字塔网络和双重注意机制的 MRI 图像分割方法，通过使用扩张卷积和多尺度特征金字塔网络在编码中避免了语义差距问题，并设计双重注意机制来维护 U-Net 的空间信息和降低不对齐问题。在亚腹部 MRI 图像数据集上的实验表明，该方法比其他方法表现更好。

May, 2023

金字塔玛巴：基于选择性空间状态模型重新思考金字塔特征融合用于遥感图像语义分割

基于深度学习和多尺度特征融合的 PyramidMamba 语义分割网络在多个公开数据集上取得了最先进的性能，并展示了实时语义分割的巨大潜力。

Jun, 2024

FFPN：傅里叶特征金字塔网络用于超声图像分割

在超声波图像分割中，通过使用傅里叶锚点的特征金字塔网络 (FFPN) 和轮廓采样细化 (CSR) 模块，可以提高准确性和效率。

Aug, 2023

一种用于人脸检测的深度金字塔可变部件模型

提出了 DP2MFD 算法，它基于 Deformable Part Models 和深度金字塔特征来检测各种大小和姿态的人脸，通过在深度卷积神经网络上添加归一化层来减少 DPM 在深层特征训练和测试中的差距，通过在四个公开的人脸检测数据集上的广泛实验表明，该方法能够捕捉人脸的有意义的结构，并且比许多竞争性的人脸检测算法表现得更好。

Aug, 2015

多类地面分割的特征金字塔网络

提出了一种基于完全卷积神经网络的自动多类土地分割方法，该网络具有良好的准确性和中等的内存使用率，可用于解决城市规划、环境工程或自然景观监测等问题。

Jun, 2018

用于腹部多器官分割的多尺度金字塔 3D 全卷积网络

本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

Jun, 2018

可变形部件模型是卷积神经网络

本文提出一种名为 DeepPyramid DPM 的模型，将图形模型 (DPM) 和卷积神经网络 (CNN) 相结合，取得了较好的性能，可用于视觉识别领域。

Sep, 2014

基于特征金字塔网络和空间循环神经网络的腹部多器官分割

近期 AI 的进展正在导致传统诊断方法的衰退，而实现端到端的诊断即将快速到来。超声图像分割是诊断过程中的重要一步，准确且稳健的分割模型加快了该过程，减轻了超声医生的负担。与以前的研究不同，我们考虑了超声图像的两个固有特征：（1）不同的器官和组织在空间尺寸上有所变化，（2）人体内部的解剖结构形成了相对恒定的空间关系。基于这两个想法，我们提出了一种新的图像分割模型，结合了 Feature Pyramid Network (FPN) 和 Spatial Recurrent Neural Network (SRNN)。我们讨论了为什么使用 FPN 来提取不同尺度的解剖结构，以及如何实现 SRNN 来提取腹部超声图像中的空间上下文特征。

Aug, 2023