Jan, 2024

CAFCT：卷积神经网络和Transformer的上下文和注意力特征融合在肝肿瘤分割中的应用

HTML
PDF
TL;DR我们提出了一种基于上下文和注意力特征融合增强的卷积神经网络（CNN）和Transformer混合网络（CAFCT）模型，用于肝肿瘤分割。在所提出的模型中，引入了其他三个模块：注意力特征融合（AFF）、DeepLabv3的Atrous空间金字塔池化（ASPP）和注意力门（AGs），以改善与肿瘤边界相关的上下文信息，以实现准确的分割。实验结果表明，所提出的CAFCT在Liver Tumor Segmentation Benchmark（LiTS）数据集上分别达到了90.38%的平均交并比（IoU）和86.78%的Dice分数，优于Pure CNN或Transformer方法，如Attention U-Net和PVTFormer。
发现论文，激发创造
  • 基于级联全卷积神经网络和三维条件随机场的CT肝脏和病变自动分割

    本文介绍了使用级联的全卷积神经网络和密集的3D条件随机场来自动分割CT腹部图像中的肝脏和病变的方法，实现了对肝脏和病变的语义分割，其Dice分数超过94％，每个体积计算时间低于100秒。

    Oct, 2016

  • 使用级联完全卷积神经网络自动分割CT和MRI体积中的肝脏和肿瘤

    该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。

    Feb, 2017

  • 级联深度残差网络自动肝脏病变检测

    本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联ResNet架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。

    Apr, 2017

  • H-DenseUNet: 面向CT体积下的肝脏和肿瘤分割的混合密集连接UNet

    本文提出了一种新型的混合密集连接UNet（H-DenseUNet）用于肝脏和肿瘤分割，该方法采用2D DenseUNet和3D UNet相结合的方式提取内部切片特征和聚合体积下的层次上下文信息，并通过混合特征融合（HFF）层联合优化模型。在MICCAI 2017肝肿瘤分割（LiTS）挑战数据集和3DIRCADb数据集上的评估表明，我们的方法在肿瘤分割结果上表现优于其他技术，而在单模型下，甚至可以取得具有一定竞争力的肝脏分割性能。

    Sep, 2017

  • 使用深度学习的检测辅助肝部病变分割

    本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

    Nov, 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

  • 通过迁移学习实现肝脏病变分割和分类

    本论文研究将联合学习和迁移学习两种方法结合运用于肝脏病变分割和分类问题上，在医学影像应用中，由于目标数据集通常非常小，迁移学习可以提高特征学习的效果，而联合学习对于提高网络的泛化和鲁棒性更为有效。

    Apr, 2020

  • 基于多尺度MPU-Net的3D医学图像分割

    本文提出了一种基于Transformer和MPU-Net的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023

  • 面向肿瘤分割任务中视觉Transformer的最优补丁尺寸

    本研究提出了一种基于转移学习的技术，通过使用基于平均体积大小选择理想的补丁尺寸，来优化使用视觉变换器的小物体的语义分割。

    Aug, 2023

  • MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

    一个基于注意力机制的新型切割框架MFA-Net（多尺度特征融合注意力网络）在医学CT图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明MFA-Net在不同尺度的图像上产生更加精确的分割。

    May, 2024