Mar, 2024

CDSE-UNet： 使用 Canny 边缘检测和双通道 SENet 特征融合提升 COVID-19 CT 图像分割

PDF
TL;DRCOVID-19 CT 图像的准确分割对降低与 COVID-19 感染相关的严重程度和死亡率至关重要。我们介绍了 CDSE-UNet，这是一种新颖的基于 UNet 的分割模型，它集成了 Canny 算子边缘检测和双通道 SENet 特征融合机制。该模型通过在样本图像中使用 Canny 算子进行边缘检测，并使用类似的网络结构进行语义特征提取，来增强标准 UNet 架构。关键创新是应用于相应网络层的双重 SENet 特征融合块，有效地组合了来自两个图像路径的特征。此外，我们还开发了一种多尺度卷积方法，用于替代 UNet 中的标准卷积操作，以适应各种不同大小和形状的病变。这个改进不仅有助于准确分类病变边缘像素，还显著改善了通道区分度并扩展了模型的容量。我们在公共数据集上的评估表明，CDSE-UNet 在分割大面积和小面积病变区域、准确勾画病变边缘和有效抑制噪声方面表现出优越性能。
covid-19 ct imagescdse-unetsegmentation modelcanny operatorlesion areas
发现论文，激发创造
  • COVID-CT-H-UNet: 一种基于注意力机制和双分类混合损失的新型 COVID-19 CT 分割网络

    自 2019 年以来，全球 COVID-19 疫情成为医疗研究的重点。本文提出 COVID-CT-H-UNet，一种 COVID-19 CT 图像分割网络，解决了 CT 图像分割中的挑战，提高了分割效果，可用于识别和研究临床 COVID-19。

    Mar, 2024

  • 基于 Residual Attention U-Net 的 COVID-19 胸部 CT 图像多类别自动分割

    通过提出的一种基于深度学习的自动分割算法，在公开数据集上展示出该算法对于 COVID-19 对胸部 CT 影像分割的突出表现，为实现对 COVID-19 肺部感染的量化诊断打下了基础。

    Apr, 2020

  • DoubleU-Net: 医学图像分割的深度卷积神经网络

    提出了基于编码器解码器的方法 DoubleU-Net，该方法在一些医学图像数据集上的实验证明相比于现有方法可获得更准确的语义分割结果。

    Jun, 2020

  • E$^2$Net：一种在 CT 扫描中用于精确肝脏和肿瘤分割的边缘增强网络

    我们提出了一种两阶段的 2D 肝脏和肝瘤分割框架，第一阶段是粗略的肝脏分割网络，第二阶段是用于更精确的肝脏和肿瘤分割的边缘增强网络 (E$^2$Net)。E$^2$Net 在网络内明确地建模互补对象（肝脏和肿瘤）及其边缘信息，以保留器官和病变边界。我们还提出了一个深度交叉特征融合模块，以从两个对象及其边缘中细化多尺度特征。建议的框架在肝和肝肿瘤分割方面表现出优越性能。

    Jul, 2020

  • SeUNet-Trans: 医学图像分割的简单而有效的 UNet-Transformer 模型

    我们提出了一种简单而有效的 UNet-Transformer（seUNet-Trans）模型，用于医学图像分割，结合了 CNN-based 模型和 Transformer 模型，在多个医学图像分割数据集上进行了广泛实验，显示出优于其他几种先进模型的性能。

    Oct, 2023

  • 基于 CT 图像的 COVID-19 自动严重程度评估的肺叶分割和层次化多实例分类的协同学习

    本文提出了一种协同学习框架，用于对 COVID-19 在 3D CT 图像中进行自动严重性评估和肺叶分割。经实验证明，相较于其他现有方法，该方法可以更有效地评估 COVID-19 的重症程度。

    May, 2020

  • 用于跨厂商胸部 X 线分割的双编码器融合 U-Net（DEFU-Net）

    本文提出一种基于 Inception 卷积神经网络和密集连接循环卷积神经网络的双编码器融合 U-Net 框架（DEFU-Net）用于精确分割胸部 X 射线影像中的软组织，并在 Montgomery 和深圳医院的混合数据集上实现了最佳性能，超越了 U-Net、残差 U-Net、BCDU-Net、R2U-Net 和注意力 R2U-Net。

    Sep, 2020

  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • Inf-Net：自动从 CT 图像中分割 COVID-19 肺部感染

    COVID-19 肺部感染 CT 影像的自动识别是一项挑战性任务，本研究提出了一种新颖的深度网络 Inf-Net，结合了并行部分解码器、隐式反向注意和显式边缘注意，以及基于随机选择传播策略的半监督切割框架，通过实验验证 Inf-Net 能够取得比大部分尖端切割模型更好的性能表现。

    Apr, 2020

  • GCtx-UNet：高效用于医学图像分割的网络

    提出了一种轻量级分割架构 GCtx-UNet，可以捕获全局和局部图像特征，其精度优于或与最先进方法相媲美。GCtx-UNet 在多器官腹部 CT 数据集、ACDC 心脏 MRI 数据集和多个息肉分割数据集上进行了评估，在 Dice 相似系数和 Hausdorff 距离指标方面，超过了基于 CNN 和 Transformer 的方法，在复杂和小型解剖结构的分割中取得显著收益。此外，GCtx-UNet 比最先进的方法更高效，模型尺寸更小，计算负载更低，训练和推理速度更快，使其成为临床应用的实用选择。

    Jun, 2024