Mar, 2024

密集残差 Swin Transformer 用于连续无深度限制超声成像

PDF
TL;DR通过设计 RDSTN 网络，采用超分辨率技术以克服常规插值方法的限制并实现无关深度的超声图像增强，该网络通过捕捉超声图像固有的非局部特征和长程依赖性，提供了优秀的纹理并在实验中表现出比现有方法更好的性能。
ultrasound imagingdepth adjustmentzoom-in techniquessuper-resolutionrdstn
发现论文，激发创造
  • 基于卷积网络辅助重建 Swin Transformer 的动态 MRI 重建学习

    提出了一种名为 Reconstruction Swin Transformer (RST) 的新型架构，用于 4D MRI 重建，该架构继承了视频 Swin Transformer 的骨干设计，并引入了新的重建头部来恢复像素级强度，通过在卡片 4D MR 数据集中的实验结果进一步证实了 RST 的优越性。

    Sep, 2023

  • DRCT：拯救图像超分辨率技术摆脱信息瓶颈

    通过在层间添加密集残差连接以减少空间信息的丢失，我们提出了 Dense-residual-connected Transformer (DRCT) 模型，提高了视觉变换和超分辨率任务的性能。

    Mar, 2024

  • DS-TransUNet: 医学图像分割的双 Swin Transformer U-Net

    本研究提出了 Dual Swin Transformer U-Net (DS-TransUNet) 框架，它是第一次尝试将 Swin Transformer 的优势同时融入到标准 U 形架构的编码器和解码器中，以提高不同医学图像的语义分割质量。实验表明，DS-TransUNet 显著优于现有的医学图像分割方法。

    Jun, 2021

  • Swin Transformer 用于快速磁共振成像

    采用 Swin transformer 以及 multi-channel loss 的方式用于快速 MRI 重建，在进行了多个比较和消融实验以及对多模态脑肿瘤分割的实践后，得出了良好的重建效果。

    Jan, 2022

  • 多维统一 Swin Transformer 用于多解剖位置的 3D 病变分割

    在肿瘤学研究中，准确的 CT 扫描病灶 3D 分割对于病灶生长动力学的建模至关重要。然而，根据 RECIST 准则，放射科医生通常仅在显示最大横截面面积的轴位切片上勾画每个病灶，并在研究目的上勾画少量的 3D 病灶。因此，我们有大量未标记的 3D 体积和带标签的 2D 图像，以及稀缺的标记的 3D 体积，这使得训练深度学习 3D 分割模型成为一项具有挑战性的任务。本研究提出了一种新模型，称为多维统一的 Swin Transformer (MDU-ST)，用于 3D 病灶分割。MDU-ST 由一个偏移窗口变换器 (Swin-transformer) 编码器和一个卷积神经网络 (CNN) 解码器组成，使其能够适应 2D 和 3D 输入，并在同一编码器中学习相应的语义信息。基于该模型，我们引入了一个三阶段框架：1) 通过自我监督的先验任务利用大量未标记的 3D 病灶体积来学习 Swin-transformer 编码器中病灶解剖学的潜在模式；2) 对 Swin-transformer 编码器进行微调，以使用 2D RECIST 切片执行 2D 病灶分割，学习切片级分割信息；3) 进一步对 Swin-transformer 编码器进行微调，以使用带标签的 3D 体积执行 3D 病灶分割。该网络的性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在一个内部的 3D 病灶数据集上进行评估，其中包含来自多个解剖位置的 593 个病灶。所提出的 MDU-ST 相比竞争模型表现出显著改进。该方法可用于进行自动化的 3D 病灶分割以辅助放射组学和肿瘤生长建模研究。本论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。

    Sep, 2023

  • SwinIR：使用 Swin Transformer 进行图像恢复

    本研究提出了一种基于 Swin Transformer 的强基线模型 SwinIR，用于图像恢复，通过对三种典型任务进行实验（图像超分辨率、图像降噪和 JPEG 压缩），实验结果表明，SwinIR 在不同任务上的表现比最先进的方法提高了至多 0.14~0.45dB，同时可以将参数总数减少高达 67%。

    Aug, 2021

  • 可扩展的非笛卡尔磁共振成像方法: R2D2

    基于非笛卡尔磁共振图像重建的 Residual-to-Residual DNN 系列 (R2D2) 方法，利用分层残差图像的迭代估计形成多层 DNN 输出，从而实现可扩展且优于传统 PnP 方法的重建质量。

    Mar, 2024

  • 离散余弦变换网络用于引导深度图超分辨率

    提出一种新颖的离散余弦变换网络（DCTNet）来解决多模态图像处理中导向深度超分辨率（GDSR）的挑战，包括理解工作机制、提取跨模态特征和减弱 RGB 纹理过度传递，通过离散余弦变换模块、半耦合特征提取模块和边缘注意机制来分别解决这些问题。实验结果表明，DCTNet 的性能比之前最先进的方法更好，在参数数量相对较小的情况下能够更好地处理导向深度超分辨率。

    Apr, 2021

  • 超锐利：使用残差稠密网络进行单幅图像超分辨率研究

    该研究使用 Residual Dense Networks（RDN）架构并分析了其组件的重要性，通过利用原始低分辨率（LR）图像的分层特征，该架构实现了卓越的性能，具有四个主要块，包括作为核心的残留密集块（RDB），并通过使用各种损失指标的研究和分析评估了体系结构的有效性，将其与其他不同体系结构和组件的最先进模型进行比较。

    Apr, 2023

  • 基于 Swin Transformer UNet 的地面图像去模糊

    借助基于 Swin Transformer 结构的 deep learning 方法进行恢复图像分辨率的研究，提出了一种具有先进的稀疏小波框架的三步解卷积框架，与传统的 Firedec 算法相比，我们的方法在恢复分辨率、适应不同噪声特性和计算效率方面展示出巨大优势，对于从地面图像中识别远程宇宙中的结构具有很大的潜力。

    May, 2024