SEDNet: 浅层编码器 - 解码器网络用于脑肿瘤分割
我们提出了一种名为 SED 的简单的编码器 - 解码器模型用于开放词汇语义分割任务,该模型通过分层背骨和渐进融合解码器实现像素级图像分割,同时引入了类别早期拒绝机制以加快推理速度,实验证明该方法在多个数据集上的性能表现良好
Nov, 2023
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
利用 Swint UNEt TRansformers 模型和多模 MRI 数据对 3D 颅脑肿瘤进行语义分割,可以转换为序列预测问题,以 5 个不同分辨率提取特征,通过跳过连接连接到 FCNN 解码器,并在 BraTS 2021 分割挑战中表现出优越的性能。
Jan, 2022
SPEEDNet 是一种用于结肠镜图像中精确定位和分割病变的新型网络架构,通过将扩张卷积和缩减层成对组合成金字塔结构来降低参数数量,提高特征学习,并降低模糊效果。在 EBHISeg 数据集上,SPEEDNet 的性能优于 UNet、FeedNet 和 AttesResDUNet,达到了 0.952 的平均 Dice 得分和 0.971 的召回率。与 UNet、FeedNet 和 AttesResDUNet 模型相比,SPEEDNet 的模型大小为 9.81 MB,显著较小。
Dec, 2023
通过多机构儿童专用多参 MRI 扫描数据训练,我们比较了两种基于深度学习的三维分割模型,即 DeepMedic 和 nnU-Net,在脑肿瘤分割方面的性能,结果显示儿童专用数据训练的 nnU-Net 模型在整个肿瘤及亚区域分割方面优于 DeepMedic。
Jan, 2024
本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务,在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面,结合 BraTS 特定的修改,大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时,我们的最终集成在整个肿瘤中,肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03,HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。
Nov, 2020
通过在 Brain Tumor Segmentation (BraTS-METS) 2023 challenge 数据集上训练 3D-TransUNet 模型,我们探索了两种架构配置:仅在编码器中使用 Transformer 的 Encoder-only 3D-TransUNet 和仅在解码器中使用 Transformer 的 Decoder-only 3D-TransUNet 模型,结果显示 Decoder-only 3D-TransUNet 模型在脑转移分割方面具有增强的效果。
Mar, 2024
本文通过一项消融研究,建议了优化的 U-Net 架构用于 BraTS21 挑战的脑肿瘤分割任务,并在 NVIDIA Deep Learning Examples GitHub 仓库中开源了代码来重现我们的 BraTS21 提交。
Oct, 2021
使用 Columbia-University-Net (CU-Net) 架构和 BraTS 2019 数据集,本研究提出了一种精确分割脑肿瘤的新方法,该方法通过卷积层、最大池化和上采样操作构建对称 U 型结构的 CU-Net 模型,Dice 系数高达 82.41%,超过了其他两个最先进的模型,这种分割准确性的提升突显了该模型的鲁棒性和有效性,有助于精确确定肿瘤边界,对于手术规划和放射治疗至关重要,最终有潜力改善患者预后。
Jun, 2024