Apr, 2024

一种具有切片内和切片间关注的灵活的 2.5D 医学图像分割方法

PDF
TL;DRCSA-Net 是一个灵活的 2.5D 分割模型，通过创新的 Cross-Slice Attention (CSA) 模块，能够处理任意数量切片的 2.5D 图像，以有效地捕捉 3D 空间信息，并利用自注意机制理解中心切片中像素之间的相关性。在三个 2.5D 分割任务中，CSA-Net 在多类别脑部 MRI 分割、二元前列腺 MRI 分割和多类别前列腺 MRI 分割中表现优异，超过了领先的 2D 和 2.5D 分割方法，展示了其有效性和优越性。
deep learningmedical image segmentation2.5d imagessegmentation modelscsa-net
发现论文，激发创造
  • CSAM：面向各向异性体积医学图像分割的 2.5D 跨切片注意力模块

    通过跨切片注意力模块（CSAM）对体积数据中不同切片的深层特征图进行语义、位置和切片的关注，解决了处理异态体积数据时 3D 方法性能下降和 2D 方法忽略关键体积信息的问题。

    Nov, 2023

  • 可解释的二维视觉模型用于三维医学数据

    本研究提出了一种简单的方法，使用 2D 网络和中间特征表示来处理 3D 数据，并使用特征减少模块进行分类，以解决在医学分类的基准测试和实际临床数据中训练成功受限的问题。

    Jul, 2023

  • 基于超级图像的分割: 3D 医学图像分析中的新 2D 视角

    为了解决 3D 卷积神经网络在医学影像识别中时间和计算效率低的问题，本文提出将体数据转化为 2D 超级图像，使用 2D 网络用于分割任务，具有实用价值和吸引更多相关研究的意义。

    May, 2022

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • 时空建模遭遇 3D 医学图像分析：Slice-Shift UNet 与多视图融合

    基于视频动作识别领域的灵感，我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型，以 2D 卷积神经网络的复杂度编码三维特征，通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割（AMOS）和除颅骨外多图谱标记（BTCV）数据集中验证了我们方法的有效性，表明 SSH-UNet 在性能上与最先进的架构相媲美，且更高效。

    Jul, 2023

  • 面向不确定性感知的前列腺癌检测的跨切片注意力和证据关键损失

    提出一种新颖的 2.5D 跨切片注意力模型，利用全局和局部信息以及证据关键性损失进行证据深度学习，用于检测前列腺癌的 MR 图像，该癌症为男性常见的癌症之一，并且是导致癌症相关死亡的主要原因之一。在两种不同数据集上广泛实验，取得了前列腺癌的最先进检测性能，并改善了确定性不确定性估计。

    Jul, 2024

  • MNet: 重新思考 2D/3D 网络在各向异性医学图像分割中的应用

    该论文提出了一种新的 Mesh 网络（MNet）用于平衡 2D / 3D 卷积神经网络中稀疏的层间信息和密集的层内信息，并在四个公共数据集上进行了综合实验，结果显示 MNet 具有优越性能。

    May, 2022

  • 深度学习中的医学图像分割实现跨维度迁移学习

    本论文介绍了一种将自然图像上训练的 2D 分类网络的效率转移到 2D、3D 单模态和多模态医学图像分割应用中的高效方法，该方法基于权重转移和维度转移的两个关键原则，实验证明其在多维医学图像分割方面表现出色。

    Jul, 2023

  • OneSeg: 基于自学习和单次学习的用于 3D 医学图像分割的单切片标注

    提出了一种基于自学习和单次学习的框架，用于 3D 医学图像分割，仅注释每个 3D 图像的一个切片以显著减少注释工作量并获得与完全监督方法相媲美的性能。

    Sep, 2023

  • 增强单层切片分割通过 3D 转 2D 非配对扫描蒸馏

    本研究提出了一种新颖的 3D 到 2D 蒸馏框架，利用预训练的 3D 模型增强 2D 单层切片分割，并在 707 个受试者数据集上进行的实验证明，该方法能够改善单层多器官分割的性能，尤其在低数据量情况下表现出色。

    Jun, 2024