Mar, 2024

一个面向超声视频的空间 - 时间渐进融合网络用于乳腺病变分割

PDF
TL;DR通过提出的 Spatial-Temporal Progressive Fusion Network（STPFNet）在超声视频乳腺病变分割问题中取得了比现有最先进方法更好的病变检测性能。
ultrasound video-based breast lesion segmentationspatial-temporal progressive fusion networkmulti-scale feature fusionlesion detectionuvbls200 dataset
发现论文，激发创造
  • 将更多注意力转移到超声乳腺病变分割上的研究

    通过精心策划的一个覆盖广泛的视频数据集和创新的 FLA-Net 模型，实现了超声视频乳腺病变分割的最先进性能，并显著减少了时间和空间复杂度。

    Oct, 2023

  • 基于时空可变注意力的乳腺病变视频检测框架

    通过引入空间 - 时间变形注意力模块实现局部空间 - 时间特征融合，本研究提出的 STNet 在每个编码器和解码器阶段都能有效地进行深度特征聚合，同时引入编码器特征洗牌策略提高多帧预测的检测速度。实验结果显示，STNet 在公共乳腺病变超声视频数据集上达到最先进的检测性能，同时有两倍的推理速度。

    Sep, 2023

  • US-SFNet: 一种基于空间频率领域的多分支网络用于超声图像中颈部淋巴结病变的诊断

    通过使用深度学习模型，通过超声成像来准确诊断颈淋巴结病变。我们提出了 Conv-FFT Block 与 US-SFNet 两者相结合的方法，该方法不仅可以从空间域中识别超声图像的变异，还可以在频率域中捕捉不同病变的显微结构改变。通过与其他 12 种经典模型进行对比，结果表明 US-SFNet 在交叉验证中获得了 92.89％的准确度、90.46％的精确度、89.95％的敏感度和 97.49％的特异度。

    Aug, 2023

  • 多级感知边界引导网络用于超声图像中乳腺病变分割

    提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

    Oct, 2023

  • 使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

    本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

    May, 2023

  • FFPN：傅里叶特征金字塔网络用于超声图像分割

    在超声波图像分割中，通过使用傅里叶锚点的特征金字塔网络 (FFPN) 和轮廓采样细化 (CSR) 模块，可以提高准确性和效率。

    Aug, 2023

  • Video-SwinUNet：VFSS 实例分割的时空深度学习框架

    本文提出了一个基于深度学习的医学视频分割框架，通过时间特征融合和 Swin Transformer 编码强大的全局空时特征以及使用 UNet 编码解码结构，实现了在 VFSS2022 数据集上分割性能显著优于其他方法的效果。

    Feb, 2023

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了 SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024

  • 两次拍摄足够吗？一种用于乳腺超声视频分割的标签高效方法

    该研究提出了一种新颖的两阶段训练范式，用于乳腺超声视频的分割，通过多样化的数据增强策略实现了自由空时一致性的捕捉，并在医学数据集上进行了验证，结果表明该方法在仅使用 1.9％的训练标签时能够获得与完全注释数据相当的性能。

    Feb, 2024

  • 皮肤病损检测和分割的多任务框架

    使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络（CNN）的联合检测和分割框架，对皮肤病变进行准确和自动地划分，并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。

    Aug, 2018