Nov, 2023

自适应平滑激活以改善来自放射学扫描的疾病诊断和器官分割

PDF
TL;DR本研究提出了一种新的激活函数，称为自适应平滑激活单元（ASAU），专为优化梯度传播而设计，从而提高了卷积神经网络在医学图像分析中的效能。我们将这个新的激活函数应用于医学图像分析中的两个重要和常用的任务：CT 和 MRI 中的自动疾病诊断和器官分割。在 RadImageNet 腹部 / 盆腔（CT 和 MRI）数据集和 2017 年 LiTS（肝肿瘤分割基准）上进行了严格评估，结果显示我们整合了 ASAU 的框架不仅在腹部 CT 和 MRI 的分类准确性（疾病检测）上取得了较大的改善（4.80％），而且与广泛使用的 “健康肝组织” 分割的激活方法相比，dice 系数也有 1％-3％的提升。这些改进为开发诊断工具，特别针对复杂且具有挑战性的病理提供了新的基准。ASAU 的优越性能和适应性凸显了它在各种图像分类和分割任务中的潜力。
adaptive smooth activation unitconvolutional networksmedical image analysisdisease diagnosisorgan segmentation
发现论文，激发创造
  • ASU-CNN：一种高效的深度图像分类和特征可视化架构

    本文提出了一种名为 ASU-CNN 的卷积神经网络模型，使用新设计的激活函数 ASU，该函数具有非单调和振荡的特点，在不同的卷积层中通过特征图可视化检查了本文提出的模型的优化，该模型使用 Adam 进行优化，fine-tuned learning rate 等参数，实验结果表明了该模型在计算机视觉领域相关任务的计算可行性和有效性。在 CIFAR-10 分类方面，预测结果是非常有前途的。

    May, 2023

  • APALU：一种用于深度学习网络的可训练自适应激活函数

    训练激活函数 APALU 在深度学习中具有鲁棒性和适应性，通过提升深度神经网络和递归神经网络在各种任务中的学习性能，以及在图像分类、异常检测和回归任务中广泛应用的激活函数的改进，证明其在不同的深度学习应用中表现出稳定性和效率的特点。

    Feb, 2024

  • DCSAU-Net：一种用于医学图像分割的更深更紧凑的分离式注意力 U-Net

    本文提出了一种更深、更紧凑的深度学习结构 DCSAU-Net，利用了两个新颖的框架：主要特征保留和紧凑的注意力块，在医学影像分割中表现出更好的性能，特别是在具有挑战性的影像上表现出色。

    Feb, 2022

  • ASLseg：基于 SAM 环路的半监督肝脏肿瘤分割的适应

    提出一种名为 ASLseg 的新型半监督框架，能够有效地将 Segment Anything Model（SAM）适应于半监督设置，并结合肝脏肿瘤的领域特定和通用知识。通过使用特定的半监督范式训练的分割模型提供生成的伪标签作为 SAM 的微调提示，然后使用适应网络来改进 SAM 的预测并生成高质量的伪标签，最后选择可靠的伪标签来扩展标记集进行迭代训练。在 LiTS 数据集上进行的大量实验证明了我们的 ASLseg 具有超强的性能。

    Dec, 2023

  • 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割

    本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

    Jul, 2023

  • 随机自适应激活函数

    本文提出了一种简单而有效的激活函数 Adaptive SwisH（ASH），可用于深度学习模型中，提高了准确性、泛化性和收敛速度。该函数基于神经元位置和输入上下文自适应地调整阈值和激活方法，并具有可训练的特性。

    Oct, 2022

  • 自适应混合单元：深度神经网络中可训练的激活函数

    本研究介绍一种可训练的混合激活函数方案，Adaptive Blending Units（ABUs），相比与传统方法具有自适应调整比例的能力，在实验中证明了 ABUs 和自适应缩放在训练效率等方面的优势，同时也探讨了其原理。

    Jun, 2018

  • 多尺度推进的自适应相关学习用于面部动作单元检测

    提出了一种自适应 AU 相关性学习方法，通过在网络的不同阶段高效利用不同级别的 AU 运动和情感表示信息，自适应地学习和更新 AU 相关图，并结合多尺度特征学习方法，实现更强大的面部行动单元检测表现。

    Aug, 2023

  • 用于胸部 CT 中多器官分割的二维扩张残差 U-Net

    本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

    May, 2019

  • ASC: 面貌与结构一致性的胎儿脑 MRI 分割无监督领域自适应

    利用外观和结构一致性的自适应结构模型优于基于配准、半监督学习和现有域自适应方法，通过将高质量胎儿脑图谱的标注适应到另一个领域的未标记胎儿脑 MRI 数据上，降低了标注成本。

    Oct, 2023