Feb, 2024

SDR-Former：一种用于肝脏病变分类的孪生双分辨率 Transformer，使用 3D 多相成像

PDF
TL;DR提出了一种新的 Siamese Dual-Resolution Transformer (SDR-Former) 框架，特别针对不同相数的 3D 多相 CT 和 MR 成像中的肝脏病变分类，利用流体动力学 Siamese Neural Network (SNN) 处理多相成像输入，通过混合的 Dual-Resolution Transformer (DR-Former) 子架构以及新颖的 Adaptive Phase Selection Module (APSM) 实现特征提取和相特定的相互通信，从而提高了病变分类的准确性。
liver lesionssiamese dual-resolution transformermulti-phase ct and mr scans3d convolutional neural networkadaptive phase selection module
发现论文，激发创造
  • TriDo-Former：三域 Transformer 直接重建低剂量正电子发射断层成像

    提出了一个基于 Transformer 的模型 TriDo-Former，用于通过 sinogram、图像和频域三个领域直接重建正子发射断层扫描（PET）图像，实验结果在临床数据集上定性和定量地优于现有方法。

    Aug, 2023

  • D-Former: 一种用于 3D 医学图像分割的 U 形扩张 Transformer

    本文提出了一种称为 Dilated Transformer 的方法，该方法在全球和局部范围内交替捕捉成对的补丁关系进行自我关注。我们基于 Dilated Transformer 的设计构建了一种名为 D-Former 的 U 型编码器 - 解码器分层结构，用于 3D 医学图像分割。实验表明，我们的 D-Former 模型在低计算成本下，从头开始训练，优于各种有竞争力的基于 CNN 或 Transformer 的分割模型。

    Jan, 2022

  • 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

  • SuperFormer：基于体素变换的 MRI 超分辨率结构

    本文提出了一种新颖的使用视觉 Transformer（ViTs）处理体积医学信息的框架，通过将先进的 Swin Transformer 模型拓展到三维医学领域，以及在 ViTs 中处理体积信息和编码位置的新方法。我们提出了基于 Transformer 的体积方法 SuperFormer，用于磁共振成像（MRI）超分辨率，通过利用 MRI 域的三维信息和具有三维相对位置编码的局部自注意机制来恢复解剖细节，并结合体积域和特征域的多域信息进行高分辨率 MRI 的重建，对人体连通项目数据集进行了广泛验证，并证明了体积 Transformer 相对于基于三维 CNN 的方法的优越性。

    Jun, 2024

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

    Apr, 2024

  • 基于 PVT 编码和精细解码的 CT 肝脏分割

    提出了一种新的深度学习方法 PVTFormer，采用预训练金字塔视觉变形器（PVT v2）和高级残差上采样与解码器块相结合的方式，在处理高分辨率医学图像时克服了可扩展性和效率问题，通过整合精细的特征通道方法和分级解码策略，生成了优质的分割掩膜，具有较高的 Dice 系数和 mIoU，并且获得了较低的 HD，为现有的肝脏分割方法设立了新的基准。

    Jan, 2024

  • 基于 Transformer 的自蒸馏生成式先验用于脑 MRI 超分辨率

    本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法，具有良好的细节保留和结构重建性能，其中 GAN 是提高高分辨率图像生成质量的关键模块之一。

    Jun, 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

  • UNetFormer: 用于三维医学图像分割的统一视觉 Transformer 模型和预训练框架

    本文提出了一个统一的框架，它由两个体系结构组成，称为 UNetFormer，具有基于 3D Swin 变压器的编码器和卷积神经网络和变压器的解码器。该架构的设计允许在准确性和计算成本之间满足宽范围的权衡要求。使用 CT 图像进行自我监督预训练，使用 Medical Segmentation Decathlon（MSD）数据集进行肝和肝肿瘤分割任务的 Fine-tune 和测试，并使用 MRI 图像的 BraTS 21 数据集进行脑肿瘤分割，并在 Dice 评分方面优于其他方法。

    Apr, 2022