Jun, 2024

EFCNet：对小型医学物体分割，每个特征都至关重要

PDF
TL;DR本文研究了在具有临床价值的非常小的医疗对象的分割问题。我们发现，卷积神经网络（CNNs）和最近的 Transformer 在图像分割方面取得了重大进展，但在分割本文中涉及的小型医疗对象和病变方面表现不佳。为了应对这一挑战，我们提出了一种名为 EFCNet 的新模型，用于医学图像中的小物体分割。我们的模型包括两个模块：交叉阶段轴向注意力模块（CSAA）和多精度监督模块（MPS）。通过这些模块，我们解决了编码和解码过程中的信息损失问题。 CSAA 从编码器的所有阶段集成特征，以自适应地学习不同解码阶段所需的适当信息，从而减少编码器中的信息损失。另一方面，MPS 向解码器引入了一种新颖的多精度监督机制。该机制在解码器的初始阶段优先关注低分辨率特征，减轻了后续卷积和采样过程导致的信息损失，并增强了模型的全局感知能力。我们在两个基准医学图像数据集上评估了我们的模型。结果表明，EFCNet 明显优于之前设计用于医学和普通图像的分割方法。
small object segmentationmedical imagesconvolutional neural networksunet-like modelsinformation loss
发现论文，激发创造
  • CE-Net：用于 2D 医学图像分割的上下文编码器网络

    本文提出了一种上下文编码网络（CE-Net），用于 2D 医学图像分割，其中包含特征编码器模块、上下文提取器和特征解码器模块，使用预训练的 ResNet 块作为特征提取器，并应用于不同的 2D 医学图像分割任务中，结果表明，所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。

    Mar, 2019

  • BEFUnet: 用于精确医学图像分割的混合 CNN-Transformer 架构

    本文提出了一种名为 BEFUnet 的创新 U 形网络，它通过增强融合身体和边缘信息来实现精确的医学图像分割，该方法在医学图像分割数据集上显示出优于现有方法的卓越性能。

    Feb, 2024

  • PMFSNet：极化多尺度特征自注意网络用于轻量级医学图像分割

    带有少于 100 万个参数的模型，PMFSNet 在各种分割任务中实现了卓越的性能，同时避免了较大模型中的计算冗余。

    Jan, 2024

  • 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

  • 基于注意力机制的全卷积网络 ——FocusNet—— 用于医学图像分割

    我们提出了一种新颖的技术，使用由单独的卷积自编码器生成的特征图在卷积神经网络中加入了注意力结构体系。我们在皮肤癌分割和肺部病变分割的基准数据集上评估了模型，并与 U-Net 及其残差变体进行对比，结果表明性能颇具竞争力。

    Feb, 2019

  • E2ENet：3D 医学图像精准高效分割的动态稀疏特征融合

    通过将动态稀疏特征融合机制与三维卷积中的限制深度移位相结合，提出了一种 3D 医学图像分割模型，名为 E2ENet。在多种资源限制条件下，E2ENet 相比之前的方法在精度和效率之间实现了较优的平衡，并在大规模挑战 AMOS-CT 上实现了与之前最佳方法相当的准确性，同时在推断阶段节省了 68％的参数计数和 29％的 FLOPs。

    Dec, 2023

  • 学习多尺度特征进行前景分割

    本文提出了一种新的鲁棒性编码器解码器结构的神经网络，使用少量的训练示例进行端到端的训练，通过特征融合在 Feature Pooling Module 中提取多尺度特征，实现对相机运动的鲁棒特征池化，免去多尺度输入的需求，通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明，所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。

    Aug, 2018

  • CaraNet: 上下文轴向反向注意力网络用于小型医学目标的分割

    本论文提出了基于上下文螺旋保留注意网络 (CaraNet) 的医学图像分割方法，该方法应用了轴向保留注意力 (ARA) 和通道特征金字塔 (CFP) 训练模块，可以显著提高小型医学目标的分割性能。在六种不同的度量指标下，我们评估了 CaraNet 对脑肿瘤 (BraTS 2018) 和息肉 (Kvasir-SEG、CVC-ColonDB、CVC-ClinicDB、CVC-300、ETIS-LaribPolypDB) 分割数据集的性能，在小型医学目标的分割中，CaraNet 的效果优于最新的多个模型。

    Jan, 2023

  • MFA-Net：肝肿瘤分割的多尺度特征融合注意力网络

    一个基于注意力机制的新型切割框架 MFA-Net（多尺度特征融合注意力网络）在医学 CT 图像中分割器官感兴趣区域，通过学习多个尺度的特征图并与现有方法进行比较，实验结果表明 MFA-Net 在不同尺度的图像上产生更加精确的分割。

    May, 2024

  • 医学图像分割的空间频率双重逐步注意力网络

    我们提出了 SF-UNet，这是一个具有空间频率双域注意力网络的模型，用于准确的医学图像分割，并在三个公共数据集上证明其有效性。

    Jun, 2024