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

Jun, 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

Perspective+ Unet: Enhancing Segmentation with Bi-Path Fusion and Efficient Non-Local Attention for Superior Receptive Fields

HTML

PDF

Jintong Hu, Siyan Chen, Zhiyi Pan, Sen Zeng, Wenming Yang

TL;DR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。

Abstract

Precise segmentation of medical images is fundamental for extracting critical clinical information, which plays a pivotal role in enhancing the accuracy of diagnoses, formulating effective treatment plans, and improving patient outcomes. Although convolutional neural networks (CNNs) an

发现论文，激发创造

UNet++：用于医学图像分割的嵌套U-Net架构

本研究提出了UNet++架构，采用深度监督编码器-解码器网络和密集跳过层来实现医学图像分割，与U-Net和Wide U-Net架构相比，拥有更高的IoU增益。

Jul, 2018

UNet++：重新设计Skip Connection以利用多尺度特征进行图像分割

提出了一种名为UNet ++的新神经结构，通过解决U-Net和全卷积网络（FCN）的两个限制（未知最佳深度和过于严格的融合方案），实现了医学图像分割的语义和实例分割，从而提高了对象大小的分割质量，并加速了UNet ++的推理速度。

Dec, 2019

UNet 3+: 医学影像分割的全尺度联通UNet

本文提出了基于UNet的新型深度学习网络UNet 3+进行医学图像语义分割任务，此方法在多尺度特征融合、深度监督等方面优化UNet，通过增加全尺度skip连接和采用深度监督的方式获得更准确的分割结果，特别适用于器官在不同尺度下出现的情况，并且该方法能在减少参数的同时提高计算效率，此外还提出了混合损失函数和分类引导模块来增强分割效果。

Apr, 2020

UNETR: 用于3D医学图像分割的变压器

本篇论文介绍了一种新的UNETR架构，通过使用Transformer作为编码器，可以捕捉更长程的空间依赖性，同时保持“U形”的网络设计。实验证明，在多个数据集上，该方法在多器官分割任务上取得了最新的最优性能。

Mar, 2021

医学图像分割的全卷积Transformer

提出了一种基于全卷积transformer的医疗图像分割模型，该模型可处理各种数据模态，能够有效地提取输入图像的语义依存关系并捕获其分层全局属性，并在多个数据集上表现优异，相对于同类模型具有参数少的特点。

Jun, 2022

Dilated-UNet：一种使用扩张变换器和U-Net结构的快速准确的医学图像分割方法

介绍了Dilated-UNet，结合了Dilated Transformer块和U-Net架构，用于快速准确地进行医学图像分割，并在多个具有挑战性的医学图像分割数据集上取得了优于其他模型的成果。

Apr, 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

超越自注意力：用于医学图像分割的可变形大卷积核注意力

介绍了一种新的分层视觉Transformer网络模型(D-LKA Net)，采用变形大核注意力机制以完全理解体积上下文信息，并在医学图像分割任务上展现出卓越的性能。

Aug, 2023

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

SeUNet-Trans: 医学图像分割的简单而有效的UNet-Transformer模型

我们提出了一种简单而有效的UNet-Transformer（seUNet-Trans）模型，用于医学图像分割，结合了CNN-based模型和Transformer模型，在多个医学图像分割数据集上进行了广泛实验，显示出优于其他几种先进模型的性能。

Oct, 2023