磁共振图像处理变压器的普适重建
本论文主要研究了低层级计算机视觉任务(如去噪、超分辨率和去雨等),并开发了一种新的预训练模型 —— 图像处理变压器(IPT),通过 ImageNet 基准测试产生大量的损坏图像对,训练 IPT 模型并成功地在不同的图像处理任务上产生了良好的结果。
Dec, 2020
采用 Swin transformer 以及 multi-channel loss 的方式用于快速 MRI 重建,在进行了多个比较和消融实验以及对多模态脑肿瘤分割的实践后,得出了良好的重建效果。
Jan, 2022
使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术,在三个医学图像数据集上比较了它们的表现,并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较,在分类不同的解剖结构、所见和异常方面,我们的 Transformer 模型优于或更有效,比 CNN 基于的方法有所改进,建议将其用作算法开发的新基准算法。
Apr, 2023
提出了 Instruct-IPT - 一种多合一图像处理 Transformer,可以有效地处理具有大的任务间隔的多种图像修复任务,通过权重调节来自适应特定任务的权重,通过同步训练更新通用骨干模型和特定任务的偏差,以便指导模型学习通用和特定任务知识,并通过文本指令来提高用户界面的操控。
Jun, 2024
本研究提出了一种基于屏蔽图像建模的完整预训练框架,统一复现与识别阶段,并通过深入的技术贡献,在图片分类、物体检测和语义分割方面实现了新的最佳结果。
Nov, 2022
本文提出了一种基于 T$^2$Net 的 MRI 重建和超分辨率的多任务联合学习框架,将重建和超分辨率分成两个子分支,通过任务转换器实现了两个任务的共享特征学习,实验结果表明该模型在定量和定性方面都显著优于先进的序列方法。
Jun, 2021
本研究提出了一种基于 TransMRSR 的创新性两阶段脑 MRI 超分辨率方法,具有良好的细节保留和结构重建性能,其中 GAN 是提高高分辨率图像生成质量的关键模块之一。
Jun, 2023
该研究提出了一种基于 3D Transformer 的分割方法,采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征,通过在公共数据集中对脑肿瘤的分割实验验证,证明其优于其他目前最先进的方法。
Apr, 2023
本研究开发了一种基于 Transformer 的深度学习模型 MR-Transformer,应用磁共振成像(MRI)进行全膝关节置换(TKR)的预测。该模型结合了 ImageNet 预训练技术,并从 MRI 图像中捕捉三维空间相关性。实验结果表明,该模型在 MRI 预测 TKR 方面具有最先进的性能,与现有的深度学习模型进行了比较。
May, 2024
本研究通过引入自监督预训练框架,提出了一种全新的端到端 Cross-Shaped windows (CSwin) transformer UNet 模型,用于检测临床重要的前列腺癌症,通过在大量未标记的数据上进行学习,提高数据效率和网络的泛化能力,成功地提高了模型性能。
Apr, 2023