Apr, 2024

LHU-Net：一种用于高效、高性能体积型医学图像分割的轻型混合 U-Net

PDF
TL;DR通过结合 Transformer 架构与卷积神经网络（CNNs）的优势，提出一种优化的体积型医学图像分割网络 LHU-Net，旨在在初期层次优先进行空间特征分析，然后转向更深层次的基于通道的特征，从而全面提取特征，取得了具有高效性和准确性的卓越性能。
发现论文，激发创造
  • 3D UX-Net: 基于大卷积核优化分层变换的医学图像分割立体卷积网络

    该研究提出了一种轻量级体积卷积网络（3D UX-Net），它使用 ConvNet 模块来适应分层变换器进行稳健的体积分割，与当前 SOTA 变换器相比表现竞争力，并在三个具有挑战性的公共数据集上显示出更好的 Dice 系数。

    Sep, 2022

  • LUCF-Net: 轻量级 U 型级联融合网络用于医学图像分割

    通过结合 Transformer 和卷积神经网络，我们提出了一种新型轻量级 U 形级联融合网络（LUCF-Net），用于医学图像分割，具有较高的性能和简单的模型设计。

    Apr, 2024

  • BRAU-Net++：基于 U 形混合 CNN-Transformer 网络的医学图像分割

    通过整合卷积和 Transformer 的优点，提出了一种名为 BRAU-Net++ 的混合 CNN-Transformer 网络，用于精确的医学图像分割任务。该网络通过使用双层路由注意力作为核心构建块来设计层次化编码器 - 解码器结构，以学习全局语义信息并降低计算复杂性。通过在跳跃连接中结合通道 - 空间注意力，最小化局部空间信息损失并放大多尺度特征的全局维度交互。在三个公共基准数据集上进行广泛实验，表明我们提出的方法在几乎所有评估指标上超过了包括其基准：BRAU-Net 在内的其他最先进方法。

    Jan, 2024

  • L^3U-net: 基于低延迟轻量级 U-net 的图像分割模型，适用于并行 CNN 处理器

    本研究提出了一种用于低资源边缘设备的小型图像分割模型 L^3U-net，引入了一种数据折叠技术，利用 CNN 加速器的并行卷积层处理能力，降低推理延迟，并将该模型部署到 MAX78000 设备，结果表明 L^3U-net 在两个不同的分割数据集上实现了 90% 以上的准确率，每秒处理 10 帧。

    Mar, 2022

  • NexToU: 高效拓扑感知 U-Net 用于医学图像分割

    本文提出了一种新的混合架构，NexToU，用于医学图像分割，其中融合了图神经网络和传统的 CNN、Transformer，表现优于其他最先进结构。

    May, 2023

  • 1M 参数足矣？用于医学图像分割的轻量级基于 CNN 的模型

    本文提出了一种基于 Depthwise Separable Convolution 的轻量化 U-Net 模型 ——U-Lite，该模型只有 878K 参数，在保持高精度的前提下降低了计算复杂度，因此在医学图像分割任务中表现优异。

    Jun, 2023

  • 基于多尺度 MPU-Net 的 3D 医学图像分割

    本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023

  • LATUP-Net：一种用于脑肿瘤分割的轻量级三维注意力 U-Net 与并行卷积网络

    提出了一种名为 LATUP-Net 的轻量级 3D ATtention U-Net with Parallel convolutions 架构，以显著降低计算需求，同时保持高水平的分割性能，适用于具有资源限制的真实世界临床应用。

    Apr, 2024

  • UTNet：一种用于医学图像分割的混合 Transformer 架构

    本研究提出 UTNet，这是一种简单而强大的混合 Transformer 体系结构，它将 self-attention 集成到卷积神经网络中，以增强医学图像分割，通过在编码器和解码器中应用 self-attention 模块来捕捉不同尺度的长程依赖关系，并提出了一种有效的 self-attention 机制与相对位置编码，从而将 self-attention 操作的复杂度从 $O (n^2)$ 降低到约 $O (n)$。在多标签、多厂商的心脏磁共振成像队列上对 UTNet 进行了评估，所示分割性能优异，对抗最先进的方法表现出很好的鲁棒性，有望在其他医学图像分割中具有广泛的应用前景。

    Jul, 2021

  • 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