May, 2024

MDNet：多解码器网络用于腹部 CT 器官分割

PDF
TL;DR使用经过预训练的 MiT-B2 编码器和多个不同的解码器网络，MDNet 利用多尺度特征增强膨胀块连接不同部分的编码器，逐渐增加网络深度并精细化分割掩模，通过整合前面解码器的特征图丰富特征映射，利用前一个解码器的预测掩模进一步提供前景和背景区域的空间关注，从而高度精确地优化分割掩模。在肝肿瘤分割（LiTS）和 MSD 脾脏数据集上，MDNet 实现了 Dice 相似性系数（DSC）分别为 0.9013 和 0.9169，Hausdorff 距离分别为 3.79 和 2.26，凸显了 MDNet 捕捉复杂轮廓的精确性。此外，与其他基准模型相比，MDNet 具有更高的可解释性和稳健性。
发现论文，激发创造
  • 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

  • 基于涂鸦的三分支多扩张网络的像素级和类别级一致性的多个腹部器官三维分割

    基于 CT 图像的腹部多器官分割是诊断腹部病变和后续治疗规划至关重要的一项任务。本研究提出了一种新颖的 3D 框架，通过两种一致性约束方法进行 scribble 辅助的多腹部器官分割，表明该方法优于现有的五种 scribble 辅助方法。

    Sep, 2023

  • MDNet：一种具有语义和视觉可解释性的医学影像诊断网络

    本文提出 MDNet，一种基于计算机视觉和自然语言处理的医学影像诊断模型，它可以自动阅读影像，生成诊断报告，并直接对症状进行图像检索，可视化诊断过程，实现端到端的优化训练，从而显著提高了在膀胱癌影像和报告数据集上的诊断准确率。

    Jul, 2017

  • MS-UNet-v2: 医学图像分割的自适应降噪方法与小数据训练策略

    基于医学图像分割任务，我们提出了一种名为 MS-UNet 的新型 U-Net 模型。与 Swin-UNet 和 TransUnet 中使用的单层 U-Net 解码器结构不同，我们专门为 U-Net 设计了基于 Swin Transformer 的多尺度嵌套解码器。我们还提出了一种新颖的边界损失和即插即用微调去噪模块，这不仅有效提高了 MS-UNet 的分割性能，还可以单独应用于其他模型。实验证明，MS-UNet 在更高效的特征学习能力方面有效提升了网络性能，尤其是在少量训练数据的极端情况下，并且所提出的边界损失和去噪模块能显著增强 MS-UNet 的分割性能。

    Sep, 2023

  • DoDNet: 学习从多个部分标记的数据集中分割多个器官和肿瘤

    本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和 / 或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器 - 解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet 更加高效，代码和数据集可在链接中获得。

    Nov, 2020

  • 利用 Swinunter 进行 CT 腹部多器官分割

    应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

    Sep, 2023

  • 用于腹部多器官分割的多尺度金字塔 3D 全卷积网络

    本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

    Jun, 2018

  • 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

    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。

    May, 2024

  • 标签高效的多器官分割方法与扩散模型

    本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

    Feb, 2024

  • MRSegmentator: MRI 和 CT 序列中 40 个类别的鲁棒多模态分割

    提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型，通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战，为当前的 MRI 分析限制提供了解决方案。

    May, 2024