E2ENet:3D 医学图像精准高效分割的动态稀疏特征融合
该论文提出了一种新的 Mesh 网络(MNet)用于平衡 2D / 3D 卷积神经网络中稀疏的层间信息和密集的层内信息,并在四个公共数据集上进行了综合实验,结果显示 MNet 具有优越性能。
May, 2022
本文研究了在具有临床价值的非常小的医疗对象的分割问题。我们发现,卷积神经网络(CNNs)和最近的 Transformer 在图像分割方面取得了重大进展,但在分割本文中涉及的小型医疗对象和病变方面表现不佳。为了应对这一挑战,我们提出了一种名为 EFCNet 的新模型,用于医学图像中的小物体分割。我们的模型包括两个模块:交叉阶段轴向注意力模块(CSAA)和多精度监督模块(MPS)。通过这些模块,我们解决了编码和解码过程中的信息损失问题。 CSAA 从编码器的所有阶段集成特征,以自适应地学习不同解码阶段所需的适当信息,从而减少编码器中的信息损失。另一方面,MPS 向解码器引入了一种新颖的多精度监督机制。该机制在解码器的初始阶段优先关注低分辨率特征,减轻了后续卷积和采样过程导致的信息损失,并增强了模型的全局感知能力。我们在两个基准医学图像数据集上评估了我们的模型。结果表明,EFCNet 明显优于之前设计用于医学和普通图像的分割方法。
Jun, 2024
本篇论文提出一种名为 ENet 的新型深度神经网络架构,其最大特点是快速、参数少,适用于对实时性要求较高的像素级语义分割任务,且在 CamVid、Cityscapes 和 SUN 等数据集上测试表明效果相对优于同类型已有网络。
Jun, 2016
本文介绍了一种高效的 3D 卷积神经网络,采用 3D multi-fiber unit 并使用 3D dilated convolutions 来构建多尺度特征表示,以达到实时密集体积分割的目的,并在 BraTS-2018 挑战数据集上的实验结果表明,该神经网络架构在高保真度的前提下大大降低了计算成本。
Apr, 2019
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018
本文介绍了一种基于 AF2-S3Net 的端到端编解码 CNN 网络,用于 3D LiDAR 语义分割,并在大规模 SemanticKITTI 基准测试上展示了其优越性能。
Feb, 2021
我们提出了一种两阶段的 2D 肝脏和肝瘤分割框架,第一阶段是粗略的肝脏分割网络,第二阶段是用于更精确的肝脏和肿瘤分割的边缘增强网络 (E$^2$Net)。E$^2$Net 在网络内明确地建模互补对象(肝脏和肿瘤)及其边缘信息,以保留器官和病变边界。我们还提出了一个深度交叉特征融合模块,以从两个对象及其边缘中细化多尺度特征。建议的框架在肝和肝肿瘤分割方面表现出优越性能。
Jul, 2020
本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法,该方法基于权重转移和维度转移的两个关键原则,实验证明其在多维医学图像分割方面表现出色。
Jul, 2023
本文提出了一种上下文编码网络(CE-Net),用于 2D 医学图像分割,其中包含特征编码器模块、上下文提取器和特征解码器模块,使用预训练的 ResNet 块作为特征提取器,并应用于不同的 2D 医学图像分割任务中,结果表明,所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。
Mar, 2019
基于视频动作识别领域的灵感,我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型,以 2D 卷积神经网络的复杂度编码三维特征,通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割(AMOS)和除颅骨外多图谱标记(BTCV)数据集中验证了我们方法的有效性,表明 SSH-UNet 在性能上与最先进的架构相媲美,且更高效。
Jul, 2023