通过应用金字塔形网络结构、多尺度注意力和 CNN 特征提取,我们提出了一种称为金字塔医疗变压器(PMTrans)的新型方法,可以更好地处理医学图像分割任务。在三个医学图像数据集上的实验结果表明,PMTrans 相较于最新的基于 CNN 和变压器的模型,具有更好的性能。
Apr, 2021
提出了一种双流金字塔配准网络(称为 Dual-PRNet),用于无监督的三维医学图像配准,该网络采用两种流体系结构,能够从卷积特征金字塔中计算多尺度的配准场,并通过逐步变形以逐步细化配准场,能够处理大的空间或切片空间中的重要变形,该方法在两个标准的大脑 MRI 配准基准测试中表现优异。
Sep, 2019
本研究提出了一种基于深度学习的 Laplacian 金字塔图像注册网络,可以在差分同胚映射空间内以逐层逼近的方式解决图像配准优化问题,并在两个 MR 脑扫描数据集上得出了比现有方法更优越的结果,同时保持理想的差分同胚性和良好的配准速度。
Jun, 2020
本文提出了基于 Mask R-CNN 技术的文本检测新方法,应用金字塔注意力网络作为新的 Mask R-CNN 骨干网络以提高其特征表达能力,该方法可以统一地在自然场景图像中稳健地检测多定向和曲线文本,并在多种测试数据集上获得优越的性能。
Nov, 2018
使用金字塔注意力网络 (PAN) 进行语义分割,通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征,优于现有方法,可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。
May, 2018
本文提出了 TransMorph,一种混合了 Transformer-ConvNet 模型的医学图像配准方法,并通过验证证明,该方法在医学图像配准方面性能显著优于基线方法,从而证实了 Transformer 在医学图像配准方面的有效性。
Nov, 2021
本研究提出了一种新型混合 CNN-Transformer 分割架构 (PAG-TransYnet),通过在双金字塔混合编码器中利用注意力门,利用金字塔输入突出显示不同尺度的突出特征,将 PVT Transformer 引入以捕获多种分辨率的长距离依赖,并通过实施双注意力门机制来有效融合 CNN 和 Transformer 分支的突出特征。通过对不同分割任务的综合评估,包括腹部多器官分割、感染分割 (新冠肺炎和骨转移)、显微组织分割 (腺体和细胞核),所提出的方法展现了领先的性能,并展示了出色的泛化能力。该研究在医学成像应用中对于高效和适应性分割解决方案的迫切需求方面取得了重要进展。
Apr, 2024
使用改进的卷积神经网络进行体积图像配准,提供增强的感受野,减少参数并在受限的训练数据集上取得与基于 Transformer 方法相当甚至稍好的性能。
Jun, 2024
本研究提出了基于多窗口感知的 MLP 网络(CorrMLP)用于可变形医学图像配准,通过新颖的粗到细的配准架构捕捉细粒度的多范围依赖关系,进行多范围感知的粗到细配准,实验证明 CorrMLP 优于最先进的可变形配准方法。
May, 2024
该论文提出了一种基于 ViT 和 ConvNets 的新架构 ViT-V-Net,实现了类医学图像的体积重建。实验结果表明,该方法在图像配准任务中具有优异的性能。