Dec, 2023

全关注 U-NET 用于头部 CT 图像中颅内出血的语义分割

PDF
TL;DR本文提出了一种全注意力 U-Net 模型，通过使用通道注意力和空间通道注意力在 U-Net 编码器和解码器的不同侧面，实现了对头部 CT 扫描中颅内出血类型的准确形状提取和分类，模拟结果显示相比基线（ResNet50 + U-Net），改进了 31.8％，并在注意力有限的情况下取得了更好的性能。
intracranial hemorrhageshead ct scansdiagnoseu-nettype classification
发现论文，激发创造
  • CV-Attention UNet：基于注意力机制的 3D 脑血管增强 TOF-MRA 图像分割

    通过使用时飞磁共振血管成像等技术，本文提出了 3D 脑血管关注 UNet 方法，并通过交叉验证和标注数据验证了其在精确识别脑血管结构方面的优越性。

    Nov, 2023

  • 使用基于 3D 注意力机制的 U-Net 进行多类 MRI 脑肿瘤分割

    本文提出了一种基于 3D 注意力的 U-Net 架构，用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

    May, 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

  • 使用 3D 注意力 UNet 进行脑肿瘤分割和生存预测

    本文研究了使用卷积神经网络结合注意力机制进行脑肿瘤分割和预测患者生存率的方法，其中应用了一些基于图像、形状和位置信息的新型 Radiomic 特征，并发现像组织学特征直方图、病灶位置、形状以及年龄等临床特征是预测生存率的最为关键的因素。

    Apr, 2021

  • 用于颅内出血检测的 PatchFCN

    本文研究如何利用 Patch-based Fully Convolutional Network 方法对头部 CT 扫描图像进行语义分割，以准确识别和定位颅内急性出血，进而提高分类和分割性能，同时试验结果表明该方法在医学图像分割任务中具有较好的普适性。

    Jun, 2018

  • 使用 Swin Transformer 中基于头部梯度注入自注意力映射的弱监督颅内出血分割在分类学习中的应用

    本研究提出了一种基于 Swim transformer 的弱监督颅内出血分割方法，并将其与基于 U-Net 的全监督方法及使用 Grad-CAM 的类似弱监督方法进行了比较，结果显示该方法具有良好的医学图像分割潜力。

    Apr, 2023

  • 基于深度卷积模型的颅内出血分割

    本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

    Oct, 2019

  • RADNET: 基于深度学习的 CT 扫描出血检测，达到放射科医师水平的准确性

    文章使用 RADnet 模型进行自动化脑出血检测，与三位资深放射科医师所作的独立分析相比，RADnet 在 CT 水平上展现了相当的出血预测准确性，并且在召回方面高于两位医师，实现了 3D 上下文的加入，检测性能非常优越。

    Oct, 2017

  • RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • 融合 SE 与注意力机制的 UNet 在颅内肿瘤分割中的应用

    本文提出了一种新的体系结构 ——SEEA-UNet，它结合了 Attention UNet 和 Squeeze Excitation Network 以获取空间和通道级别的信息，并使用二元焦点损失和 Jaccard 系数监控模型性能。与现有体系结构相比，该模型在少量时期的训练中表现更好。

    May, 2023