DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络

May, 2024

DmADs-Net：用于医学图像分割的稠密多尺度注意力和深度监督网络

DmADs-Net: Dense multiscale attention and depth-supervised network for medical image segmentation

Zhaojin Fu, Zheng Chen, Jinjiang Li, Lu Ren

TL;DR通过对复杂数据集和不同类型的数据集进行广泛实验，本研究提出了一种名为 DmADs-Net 的密集多尺度注意力和深度监督网络，通过特征提取、特征注意力块和特征融合等模块的创新，该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。

Abstract

deep learning has made important contributions to the development of medical image segmentation. convolutional neural networks, as a crucial branch, have attracted strong attention from researchers. Through the t

deep learning medical image segmentation convolutional neural networks dmads-net feature extraction

发现论文，激发创造

自适应深度监督下密集解码网络的医学图像分割

提出了一种基于深度神经网络的医学图像分割方法，通过引入 ' 拐杖 ' 网络连接以获得精细的密集预测，并采用自适应深度监督训练策略以提取鲁棒特征。通过在网络解码器的每个上采样阶段引入 ' 拐杖 ' 连接，增强了目标定位和分割性能，并通过匹配网络的有效感受野来指导辅助监督位置的选择，从而实现了对特定输入特征的注意。在 4 个不同模态的多样数据集上验证了该方法的有效性。

Feb, 2024

医学图像分割的多尺度自引导注意力

采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

Jun, 2019

基于注意力机制的高效分类方法用于阿尔茨海默病三维 MRI 图像

通过使用深度学习和图像识别技术，本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型，该模型利用预训练的 ResNet 网络作为骨干，结合了 3D 医学图像的后融合算法和注意力机制，实验证明引入的 2D 融合算法有效降低了模型的训练开销，而注意力机制准确评估了图像中重要区域，进一步提高了模型的诊断准确性。

Jan, 2024

用于密集预测任务的密集连接多扩张卷积网络

本文介绍了一种新的用于高分辨率密集预测的卷积神经网络架构，称为 D3Net，其采用了多分辨率学习和逐渐膨胀的感受野来同时建模局部和全局模式，避免了深度网络中的深度耗散问题，并在图像和音频处理任务中取得了优越的性能。

Nov, 2020

基于注意力机制残差双 U-Net 的医学图像分割

提出了一种名为 AttResDU-Net 的基于注意力机制的残差双 U-Net 架构，旨在提高医学图像分割的效率，以实现自动肺癌和皮肤癌的快速准确诊断。

Jun, 2023

MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

一个基于注意力机制的新型切割框架 MFA-Net（多尺度特征融合注意力网络）在医学 CT 图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明 MFA-Net 在不同尺度的图像上产生更加精确的分割。

May, 2024

使用引导注意力的网络进行从单张图片中保留细节的深度估计

该论文提出了一种卷积神经网络模型，由密集特征提取器（DFE）和深度图生成器（DMG）组成，利用注意力机制融合 DFE 产生的多尺度特征，可以快速且准确地预测深度图，同时在结构细节方面保持了更好的性能表现。

Sep, 2018

基于多层特征的注意力机制三维卷积神经网络在脑图像中用于阿尔茨海默病诊断

本研究提出了一种基于 ResNet 的端到端 3D CNN 框架，结合注意力机制作用下获取的多层特征，以更好地捕捉脑部图像的细微差异，用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证，基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率，并且超过了一些最先进的方法。

Aug, 2023

改进医学图像分割中的 U-Net 变体的混合方法

这篇研究论文的主要内容是关于医学图像分割，重点介绍了深度学习方法，包括 MultiResUNet 和 Attention U-Net 等变种，并探讨了使用深度分离卷积来减少网络参数需求的可行性。

Jul, 2023

基于注意力机制的全卷积网络 ——FocusNet—— 用于医学图像分割

我们提出了一种新颖的技术，使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型，并与 U-Net 及其残差变体进行对比，结果表明性能颇具竞争力。

Feb, 2019