Jun, 2024

基于 GRU 网络的乳腺组织病理图像分割

PDF
TL;DR本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对 MultiResU-Net 的跳跃连接采用控制稠密残差块，以从编码器层向解码器层传递信息，使用从提取的空间特征导出的缩放参数，以控制的方式进行传递。验证实验表明，在 TNBC 和 MonuSeg 等两种不同类型的乳腺癌组织病理学图像数据集上，与现有方法相比，该方法展现出卓越的分割性能。该模型的代码可在该 https URL 找到。
breast cancerhistopathology imagemultiresu-netgaussian distribution-based attention modulesegmentation performance
发现论文，激发创造
  • 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

  • 使用 DRDA-Net 和 MobileNet 进行乳腺癌分类的轻量级深度学习管道

    通过引入一种新的深度学习方法，结合 DRDA-Net 和 MobileNet 模型，旨在提高乳腺癌组织病理图像的分类准确性，从而为准确的乳腺癌诊断提供了更快速和更易于实现的筛查方案。

    Mar, 2024

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • Y-Net：乳腺活检图像诊断的联合分割和分类

    本研究介绍了一种用于乳腺癌诊断的简单生成分割掩模的网络，该网络可以高效地分割乳房活检图像中不同类型的组织，并同时预测识别图像中重要区域的判别映射。该网络扩展了 U-Net，通过添加判别图生成的并行支路和支持卷积块模块化实现，从而允许用户在不改变网络拓扑结构的情况下调整网络效率。与最接近的竞争对手相比，Y-Net 学习的参数少 6.6 倍，达到了最先进的分割准确性。从 Y-Net 的判别性分割掩模的描述能力的加入可以使诊断分类精度比最先进的方法提高 7%。

    Jun, 2018

  • UGGNet: U-Net 和 VGG 的高级乳腺癌诊断桥梁

    UGGNet 是一种结合了 U-Net 和 VGG 架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

    Jan, 2024

  • AWGUNET: 基于注意力引导小波 U-Net 的组织病理图像细胞核分割

    准确的核分割对于癌症诊断至关重要。本文提出了一种将 U-Net 架构与 DenseNet-121 主干相结合的分割方法，利用两者的优势捕捉全面的上下文和空间信息。我们的模型引入了小波引导通道注意模块以增强细胞边界勾画，并使用可学习的加权全局注意模块进行通道特定的注意。解码器模块进一步完善了染色图案处理中的分割。在 Monuseg 和 TNBC 两个公开可访问的组织病理学数据集上进行的实验结果突显了我们提出模型的优越性，显示了其推动组织病理学图像分析和癌症诊断的潜力。代码可在此链接获得：[this https URL]

    Jun, 2024

  • 智能医学图像分析中的多尺度图像融合系统探索

    这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

    May, 2024

  • 采用对象相关高层特征的改进 U-Net (mU-Net) 用于 CT 图像中肝脏和肝肿瘤分割的提升

    本文介绍了一种将残差通路与反卷积和激活操作相结合的 U-Net 架构，用于肝和肝癌的自动分割，进而提高肝癌放疗任务的效率。在 LiTS 2017 数据集上，经验证明这种改进的 U-Net（mU-Net）优于现有的最先进网络。

    Oct, 2019

  • 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