Jun, 2024

MTS-Net: 用于三维 CT 诊断梅 - 瑟纳综合征的双增强位置多头自注意力网络

PDF
TL;DR提出了一种基于 3D 深度学习的称为 MTS-Net 的方法，用于使用 CT 扫描诊断 May-Thurner 综合征，通过建立一个新的数据集，并设计了一种注意力模块，证明该方法在 MTS 诊断中取得了最先进的结果。
may-thurner syndromemts-netdiagnosisct scansattention module
发现论文，激发创造
  • CV-Attention UNet：基于注意力机制的 3D 脑血管增强 TOF-MRA 图像分割

    通过使用时飞磁共振血管成像等技术，本文提出了 3D 脑血管关注 UNet 方法，并通过交叉验证和标注数据验证了其在精确识别脑血管结构方面的优越性。

    Nov, 2023

  • MESAHA-Net：基于多编码器的自适应硬注意力网络与最大强度投影用于 CT 扫描中的肺结节分割

    本文提出了一种基于多编码器的自适应硬注意力网络 (MESAHA-Net) 的方法用于 CT 扫描中肺结节的精确分割，该方法包含一个关注块和一个解码器块，采用了一种新颖的自适应硬注意力机制，能够在不同种类的输入下针对肺结节进行 2D 逐层分割，生成 3D 容积分割，经 LIDC-IDRI 数据集全面评估后发现，在医疗实现中具有高鲁棒性和更好的分割精度和计算复杂度。

    Apr, 2023

  • MS-Twins: 多尺度深度自注意力网络用于医学图像分割

    提出了 MS-Twins（Multi-Scale Twins）分割模型，通过结合不同尺度和级联特征，能更好地捕捉语义和细粒度信息，解决了在医学图像分割中利用自注意力和卷积的最优化问题。在 Synapse 和 ACDC 两个常用数据集上，MS-Twins 相较于现有的网络结构有了显著的进展，在 Synapse 数据集上的性能比 SwinUNet 高出 8％，即使与最佳的完全卷积医学图像分割网络 nnUNet 相比，在 Synapse 和 ACDC 上 MS-Twins 的性能仍然稍有优势。

    Dec, 2023

  • 基于 Transformer 的跨模态肿瘤分割的图像级监督和自训练

    我们提出了一种名为 MoDATTS 的新的半监督训练策略，用于处理自动医学图像分割中存在的模态遗传性问题，并通过图像转换和视觉转换器实现更准确的肿瘤分割。该模型在 CrossMoDA 2022 挑战中表现出优越的性能，并在 BraTS 2020 挑战数据集上显示出一致的改进。

    Sep, 2023

  • 用于精确生物医学图像分割的多化合物转换器

    本研究提出了一种统一的变形器网络，称为多化合物变形器（MCTrans），可嵌入 UNet-like 网络中，并在生物医学图像分割中显着提高了最先进方法的性能。它使用自我关注和交叉注意力进行多尺度卷积特征的序列嵌入，引入了可学习的代理嵌入来模拟语义关系和特征增强。

    Jun, 2021

  • 基于注意力过滤的医学图像分割的多维 Transformer

    提出了一种面向医学图像分割的多维注意力变换器 (MDT-AF) 方法，通过重新设计补丁嵌入和自注意机制来解决医学图像分割中存在的低信噪比和特征表示容量有限的问题，并取得了当前最先进的性能。

    May, 2024

  • M3T: 多模态医疗转换器 连接临床背景与视觉洞察 用于视网膜图像医学描述生成

    提出了一种集成视觉表示和诊断关键词的新型深度学习架构 (Multi-Modal Medical Transformer, M3T)，用于眼底图像的生成精确和连贯的医学描述。在 DeepEyeNet 数据集上的实验研究验证了 M3T 在满足眼科医生标准方面的成功，相比最佳基线模型，BLEU@4 有了显著的 13.5% 改进。

    Jun, 2024

  • DBT-DMAE：一种在缺失数据下有效的多变量时间序列预训练模型

    本文提出了一种通用的 MTS 预训练模型 DBT-DMAE，其中包括缺失表示模块，并给出了一个自编码器结构以获得 MTS 的编码表示，最后建立整体馈送和丢失策略以确保模型的充分训练。 实验结果表明，DBT-DMAE 在 6 个真实数据集和 2 个不同的下游任务中均优于其他最先进的方法，并进行了剖析和可解释性实验以验证其有效性。

    Sep, 2022

  • 跨任务注意力网络：改进医学图像应用中的多任务学习

    本研究提出了一种新颖的基于注意力的多任务学习框架，通过跨任务的交互作用更好地利用了医学影像任务中的跨任务相互作用，从细粒度级别到图像级别的预测，有效提高了医学影像任务的准确性。

    Sep, 2023

  • MaxViT-UNet: 医学图像分割的多轴注意力

    提出了 MaxViT-UNet，一种基于编码器 - 解码器的混合视觉 Transformer，用于医学图像分割，其使用多轴自注意力机制实现了胞核区域的准确分割，并在 MoNuSeg 数据集上实现了比以前的 CNN only 和 Transformer only 技术更好的 Dice 指标。

    May, 2023