Dec, 2023

通过可学习的跳跃连接缩小 U-Net 中的语义差距：以医学图像分割为例

PDF
TL;DR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。
medical image segmentationencoder-decoder architectureu-shaped frameworkskip connectionssemantic gaps
发现论文，激发创造
  • UCTransNet：基于通道级别的 Transformer 重构 U-Net 跳跃连接

    提出了一种名为 UCTransNet 的新语义分割框架，该框架采用注意机制和跨通道特征融合，能够替代传统 U-Net 中的跳跃连接，以实现对复杂医学图像的准确分割。实验结果表明，UCTransNet 在不同数据集和传统架构中具有更精确的分割性能，并较传统算法实现了一定的改进。

    Sep, 2021

  • DA-TransUNet：利用 Transformer U-Net 集成空间和通道双重注意力进行医学图像分割

    本研究提出了一种名为 DA-TransUNet 的新型深度医学图像分割框架，将 Transformer 和双注意力块引入传统 U 形架构的编码器和解码器中，通过注意力机制和多方面特征提取来增强医学图像分割，并通过实验结果证明 DA-TransUNet 在各个医学图像分割基准测试中显著优于现有方法。

    Oct, 2023

  • 融合 U-Net：增强跳跃连接的病理图像分割 U-Net

    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

  • 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

    该论文介绍了 U-Net v2，一种新的稳健高效的医学图像分割变体，旨在将语义信息注入低层特征并通过精细化处理改善高层特征，实验结果表明我们的方法在保持内存和计算效率的同时实现了与最先进方法相比的分割准确性。

    Nov, 2023

  • 3D TransUNet：通过视觉 Transformer 提升医学图像分割

    通过在 2D TransUNet 体系结构的基础上建立在最先进 nnU-Net 体系结构的基础上，充分探索 Transformers 在编码器和解码器设计中的潜力，我们引入了两个关键组件：1）一个从卷积神经网络（CNN）特征图中令图像块标记化的 Transformer 编码器，从而实现全局上下文的提取；2）一个自适应地利用候选区域和 U-Net 特征之间的交叉注意力进行候选区域的精炼的 Transformer 解码器。我们的研究发现，不同的医学任务受益于不同的体系结构设计。Transformer 编码器在多器官分割中表现出色，其中器官之间的关系至关重要。另一方面，Transformer 解码器在处理小而具有挑战性的分割目标（如肿瘤分割）方面更有益处。大量实验证明了将基于 Transformer 的编码器和解码器集成到 U 型医学图像分割体系结构中的巨大潜力。TransUNet 在各种医学应用中超越竞争对手。

    Oct, 2023

  • DS-TransUNet: 医学图像分割的双 Swin Transformer U-Net

    本研究提出了 Dual Swin Transformer U-Net (DS-TransUNet) 框架，它是第一次尝试将 Swin Transformer 的优势同时融入到标准 U 形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet 显著优于现有的医学图像分割方法。

    Jun, 2021

  • 重新思考生物医学图像分割中的 U-net 跳跃连接

    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

  • Dilated-UNet：一种使用扩张变换器和 U-Net 结构的快速准确的医学图像分割方法

    介绍了 Dilated-UNet，结合了 Dilated Transformer 块和 U-Net 架构，用于快速准确地进行医学图像分割，并在多个具有挑战性的医学图像分割数据集上取得了优于其他模型的成果。

    Apr, 2023

  • UNet++：重新设计 Skip Connection 以利用多尺度特征进行图像分割

    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

  • TransUNet：使用 Transformers 强大编码器进行医学图像分割

    本文提出了一种新的医学图像分割框架 TransUNet，它将 Transformers 和 U-Net 结合起来，通过编码全局上下文和恢复本地细节信息来实现更精确的分割，针对不同的医学应用，TransUNet 优于其他竞争方法。

    Feb, 2021