May, 2024

PAM-UNet：基于区域感兴趣的医学图像注意力转移

PDF
TL;DR提出了一种新的基于渐进注意力和移动 UNet (PAM-UNet) 架构的计算机辅助分割方法，该方法平衡了计算效率和准确性， 在 Liver Tumor Segmentation Benchmark (LiTS) 2017 数据集上取得了 74.65 的平均 IoU 和 82.87 的 dice 分数，同时在每秒只使用了 1.32 个浮点运算 (FLOPS)，突显了开发高效的分割模型以加速临床实践中人工智能的应用的重要性。
computer-aided segmentation methodsunetpam-unetaccuracycomputational efficiency
发现论文，激发创造
  • 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割

    本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

    Jul, 2023

  • RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • UNet 及其变体在医学图像分割中的性能分析

    通过探索深度学习模型在医学图像分割中的应用，特别关注 UNet 架构及其变体，本研究评估了这些模型在各种挑战性医学图像分割任务中的表现，并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示，经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型；而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外，本研究还着重解决高类别不平衡问题，通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解，并为其实施提供指导和最佳实践。

    Sep, 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

  • 一种使用 U-net 和修改后的卷积块注意力模块进行胸部 X 射线肺分割的新方法

    本文提出了一种结合 U-net 和注意力机制的新方法，通过引入 Convolutional Block Attention Module (CBAM) 来进行胸部 X 射线图像的肺部分割，CBAM 统一了通道注意力、空间注意力和像素注意力三种不同的注意力机制，提高了模型的精确性和准确性，从而改善了分割的准确性和患者的诊断精度。

    Apr, 2024

  • Perspective+ Unet：双路径融合与高效非局部注意力增强的优秀感受野分割方法

    针对医学图像分割的局限性，我们提出了一种新的架构，Perspective+ Unet。该架构具有三个主要创新点：在编码器阶段引入了双通道策略，通过结合传统和扩张卷积的结果，既保持了局部感知域又显著扩展了它，从而更好地理解图像的全局结构；采用高效的非局部变换块 ENLTB 来有效地捕捉长程依赖关系，具有线性计算和空间复杂性；采用空间交叉尺度集成策略，在模型阶段跨级别细化特征，以协调全局和局部信息。我们在 ACDC 和 Synapse 数据集上进行了实验，结果验证了我们提出的 Perspective+ Unet 的有效性。

    Jun, 2024

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了 SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024

  • FAU-Net: 一个具有特征金字塔注意力的注意力 U-Net 扩展用于前列腺癌分割

    本研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该模型与七种不同的基于 U-Net 的架构进行了比较，并通过 Dice Score (DSC) 和 Intersection over Union (IoU) 评估了每个模型在中央区域 (CZ)、外周区域 (PZ)、转换区域 (TZ) 和肿瘤区域的自动分割性能。该提出的方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，在本研究中的大多数模型中表现优异，仅次于 R2U-Net 和注意力 R2U-Net 架构。

    Sep, 2023

  • 使用基于 3D 注意力机制的 U-Net 进行多类 MRI 脑肿瘤分割

    本文提出了一种基于 3D 注意力的 U-Net 架构，用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

    May, 2023