本文提出了一种基于 3D 注意力的 U-Net 架构，用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

May, 2023

本文提出了一种仅利用 FLAIR 图像和空间注册的白质（WM）脑图谱的脑图谱引导的关注 U-Net（BAGAU-Net）来产生竞争性的 WMH 分割性能，通过实验验证表明：BAGAU-Net 胜过了 T1 加持的最先进方法，为 WMH 分割的有效发展铺平了道路。

Oct, 2020

本文提出了更高效的方法 - EGE-UNet, 通过采用 GHPA 和 GAB 模块，在轻量级的框架中完成病理信息的多角度提取和多尺度信息的有效融合，在 ISIC2017 和 ISIC2018 数据集上超越了现有的最优方法，并且相对于 TransFuse 将参数和计算成本降低了 494 倍和 160 倍，其参数数量仅限于 50KB。

Jul, 2023

提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

May, 2024

MPUnet 在分割儿童脑肿瘤的不同区域方面显示出差异性能水平，其中肿瘤核心（TC）类表现出相对较高的分割准确性，然而在水肿和增强肿瘤（ET）区域的分割中观察到变异，这凸显了脑肿瘤分割的复杂性并强调了进一步完善 MPUnet 方法和包括 MRI 更多数据和预处理的潜力。

Jan, 2024

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

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

提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

Oct, 2023

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

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