MOSformer：基于动量编码的切片融合变形器用于医学图像分割

Jan, 2024

MOSformer：基于动量编码的切片融合变形器用于医学图像分割

MOSformer: Momentum encoder-based inter-slice fusion transformer for medical image segmentation

De-Xing Huang, Xiao-Hu Zhou, Xiao-Liang Xie, Shi-Qi Liu, Zhen-Qiu Feng...

TL;DR提出了一种基于动量编码器的切片间融合变压器（MOSformer），通过利用不同编码器提取的多尺度特征图中的切片间信息，克服了普遍的 2.5D 模型在处理每个切片时等价视为，未能有效学习和利用切片间信息，从而导致分割性能不佳。该方法在三个基准数据集上进行了评估，分别建立了新的最先进水平，达到 85.63％，92.19％和 85.43％的 DSC。这些有希望的结果表明其在医学图像分割方面的竞争力。MOSformer 的代码和模型将在接受后公开发布。

Abstract

medical image segmentation takes an important position in various clinical applications. Deep learning has emerged as the predominant solution for automated segmentation of volumetric medical images. 2.5D-based segmentation models bridge computational efficiency of 2D-based models and

medical image segmentation 2.5d-based models inter-slice information mosformer benchmark datasets

发现论文，激发创造

3D 脑部瘤分割的 3D 融合 Transformer

该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

Apr, 2023

应用混合融合变压器处理多序列 MRI

通过利用多序列 MRI 图像进行医学分割，使用混合融合 Transformer 方法来提高脑肿瘤分割的效果。

Nov, 2023

SegFormer3D: 3D 医学图像分割的高效 Transformer

SegFormer3D 是一种记忆高效的分层 Transformer，在 3D 医学图像分割中拥有比当前最先进模型更少的参数和更低的 GFLOPS，并在 Synapse、BRaTs 和 ACDC 等广泛使用的数据集上取得竞争性结果。

Apr, 2024

HiFormer: 使用 Transformer 实现的分层多尺度表示，用于医学图像分割

本文提出了一种新的方法 HiFormer，它通过使用 Swin Transformer 模块和基于 CNN 的编码器设计了两种多尺度特征表示来有效地跨越 CNN 和 Transformer 进行医学图像分割。在编码器解码器结构的跳跃连接中，我们提出了 Double-Level Fusion（DLF）模块，以确保从两个上述表示中获得的全局和局部特征的细粒度融合。在各种医学图像分割数据集上的广泛实验表明，HiFormer 在计算复杂度、定量和定性结果方面优于其他基于 CNN、Transformer 和混合方法。

Jul, 2022

MISSFormer：一种有效的医学图像分割变压器

提出了一种基于 Transformer 的医学图像分割方法 ——MISSFormer，通过改良的 Transformer 块和上下文桥，结合 CNN 和 Transformer 的优点，在医学图像分割任务上获得了优秀的性能，代码已开源。

Sep, 2021

医疗图像分割的多模态信息交互

通过引入创新的多模态信息交叉变换器（MicFormer），本研究在多模态图像任务中成功整合不同模态之间的相关信息，显著提高了分割性能，表明 MicFormer 在多模态图像任务中具有广泛的应用潜力。

Apr, 2024

MF-MOS: 一种用于移动物体分割的动态模型

提出了一种新颖的以运动为重点的模型，利用残差图和视域图来实现 LiDAR 运动物体分割，取得了当前最先进的性能表现。

Jan, 2024

mmFormer：用于不完整多模态脑肿瘤分割的多模态医学 Transformer

该研究提出了一种多模态医学 Transformer (mnFormer)，用于不完整多模态学习的脑肿瘤分割，并且该方法在 BraTS 2018 数据集上显示出了比现有方法更好的表现。

Jun, 2022

TransFuse：将 Transformer 和 CNN 融合用于医学图像分割

本文介绍了用于医学图像分割的 TransFuse 并行网络结构，将 Transformers 和 CNNs 并置，以有效地捕捉全局依赖关系和低级别空间细节，且使用了一种新的特征融合方法 —BiFusion 模块来融合两个分支的多级特征。实验结果表明，TransFuse 在医学图像分割任务中的性能优于目前最先进的技术，同时在参数数量和推断速度上也有显著改进。

Feb, 2021

ParaTransCNN：用于医学图像分割的并行化 TransCNN 编码器

将卷积神经网络和 Transformer 架构相结合，提出了一种先进的二维特征提取方法，利用平行编码器和通道注意模块实现更好的医学图像分割准确性。

Jan, 2024