Mar, 2024

MugenNet：一种新颖的综合卷积神经网络与 Transformer 网络及其在结肠息肉图像分割中的应用

PDF
TL;DR基于混合原则，结合 CNN 和 Transformer，我们提出了一种名为 MugenNet 的结构用于结直肠息肉图像分割，实验证明 MugenNet 比仅使用 CNN 的模型在处理速度和准确度上显著提高。
biomedical image segmentationcolonic polypscnntransformermugennet
发现论文，激发创造
  • 基于 Transformer-CNN 融合的结肠息肉分割增强的合作学习

    本研究提出一种名为 Fusion-Transformer-HardNetMSEG (Fu-TransHNet) 的混合网络，通过多种深度学习机制融合和多视角协作学习技术提高结肠息肉的分割精度。富 - TransHNet 利用变压器和 CNN 分支实现全局和局部特征学习，设计了一个融合模块来整合两个分支的特征，利用多视图协作学习技术获取各自权重，结果表明 Fu-TransHNet 网络在五个广泛使用的基准数据集上优于现有方法。

    Jan, 2023

  • ColonFormer：一种高效的基于 Transformer 的结肠息肉分割方法

    该研究提出了一种名为 ColonFormer 的编码器 - 解码器网络架构，以增强多级特征表示，并在全局地图内精确分割息肉对象，优于其他先进方法，适用于内镜图像在临床支持系统中的自动分析。

    May, 2022

  • FCN-Transformer 特征融合在息肉分割中的应用

    我们提出了一种新的体系结构，结合了 transformer 和全卷积分支，以实现大尺寸结肠镜图像的自动分割，具有先进的性能和更好的泛化能力，适用于肠镜检查中早期检测肠癌的应用。

    Aug, 2022

  • Polyp-PVT：金字塔视觉变换器用于息肉分割

    本文提出了基于 Transformer 编码器、三个标准模块（包括串级融合模块，伪装识别模块和相似聚合模 块）的息肉分割方法，名为 Polyp-PVT。实验结果表明，该方法在人口学多样性、外观变化，甚至缺失数据方 面都具有较好的鲁棒性。

    Aug, 2021

  • CiT-Net: 卷积神经网络和视觉 Transformer 手牵手进行医学图像分割

    本文提出了一种新的医学图像分割混合架构，手持卷积神经网络和 Transformer，用于动态变形卷积和自适应互补注意模块改进卷积神经网络和 Transformer 的性能，以实现更好的医学图像分割结果。

    Jun, 2023

  • TransMed: 基于 Transformers 的多模态医学图像分类

    该研究提出了一种结合了 CNN 和 transformer 的方法 ——TransMed，在多模态医学图像分类中取得了很好的性能，这一方法为医学图像分析任务开启了更多可能性。

    Mar, 2021

  • TEC-Net: 视觉 Transformer 集成卷积神经网络用于医学图像分割

    本研究采用混合卷积神经网络和 Transformer 的混合结构，提出了一种具有自适应特征提取能力和具有全局信息建模的方法，用于医学图像分割。实验结果表明，该方法比现有的方法具有更好的医学图像分割结果。

    Jun, 2023

  • 基于保留的结直肠息肉分割网络

    通过引入滞留机制以解决传统 Transformers 存在的局限性，本研究提出了一种名为 RetSeg 的编码 - 解码网络，用于精确的息肉分割，并在 Colonoscopy 图像数据集上进行了训练和验证。

    Oct, 2023

  • TransFuse：将 Transformer 和 CNN 融合用于医学图像分割

    本文介绍了用于医学图像分割的 TransFuse 并行网络结构，将 Transformers 和 CNNs 并置，以有效地捕捉全局依赖关系和低级别空间细节，且使用了一种新的特征融合方法 —BiFusion 模块来融合两个分支的多级特征。实验结果表明，TransFuse 在医学图像分割任务中的性能优于目前最先进的技术，同时在参数数量和推断速度上也有显著改进。

    Feb, 2021

  • 使用全卷积网络进行结肠镜图像中息肉分割

    本文提出了一种基于卷积神经网络的息肉分割方法，通过训练时的图像块选择和测试时的有效后处理，相较于先前的结肠镜视频分割方法更具准确性。

    Feb, 2018