Jul, 2024

LMBF-Net: 一种用于多特征分割的轻量级多路径双向焦点注意力网络

PDF
TL;DR本研究提出了一种用于多特征分割的多路径卷积神经网络，该网络轻量且对信息敏感。通过基于图像块的实现提取局部图像特征，并在编码器和解码器之间引入焦点调制注意力块以改善分割效果。使用滤波器优化来防止滤波器重叠并加速模型收敛。通过卷积操作和组卷积操作的组合来降低计算成本。此网络能够对多个特征的眼底图像进行分割，并在多个公开数据集上的实验评估中表现出色，尽管其可学习参数较少。
retinal diseasesdeep learning techniquesconvolutional neural networkmultifeature segmentationfundus images
发现论文，激发创造
  • LDMRes-Net: 通过高效图像分割实现实时疾病监测

    本研究中，我们提出了一种轻量且高效的深度学习神经网络，具有双重多重残留连接来增强分割性能，同时最大限度地减少计算成本，并在八个公开可用的视网膜图像数据集上进行了评估，取得了有前途的分割结果，显示了该建议网络用于视网膜图像分析任务方面的有效性和其在实时视网膜图像分析应用方面的潜在候选性。

    Jun, 2023

  • LMBiS-Net: 一种基于轻量级多路径双向跳跃连接的卷积神经网络用于视网膜血管分割

    通过提出一种名为 LMBiS-Net 的轻量级像素级卷积神经网络，该论文在仅有 0.172 M 的可学习参数下，成功应用于眼科诊断和治疗中，以实现对视网膜图像的快速准确分割。

    Sep, 2023

  • 卷积神经网络中引入特征注意力模块用于糖尿病视网膜病变检测

    我们提出了一种新的方法，将特征注意模块与预训练的 VGG19 卷积神经网络（CNN）集成在一起，用于更准确地检测糖尿病视网膜病变（DR）。实验结果表明，融合模块（将特征注意模块与 CNN 融合）的引入改善了 DR 检测的准确性，实现了 95.70% 的准确率。

    Aug, 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

  • 用于语义分割的融合注意力网络，在极高分辨率遥感图像中的应用

    本文提出了一种多路径编码器结构来提取多路径输入的特征，多路径注意力融合块模块来融合多路径特征，以及细化注意力融合块模块来融合高层抽象特征和低层空间特征。同时，提出了一种新的卷积神经网络架构，名为注意力融合网络 (AFNet)。基于该 AFNet，在 ISPRS Vaihingen 2D 数据集上达到了 91.7% 的整体精度和 90.96% 的平均 F1 分数，在 ISPRS Potsdam 2D 数据集上达到了 92.1% 的整体精度和 93.44% 的平均 F1 分数，取得了最先进的性能。

    May, 2021

  • 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

  • 利用联合注意力网络提高视网膜变性光学相干断层扫描图像的鲁棒性能

    本研究提出一种通过疾病特定特征表征作为新颖架构，在监督编码疾病模型和无监督方式生成注意力图之间同时利用视网膜亚空间变形的理解以提高视网膜疾病分类网络精度和鲁棒性。实验结果表明所提出的联合网络可以显著提高视网膜疾病分类网络的准确性和鲁棒性。

    May, 2020

  • 学习分割视网膜病变及其他

    本文提出了一种名为 “Lesion-Net” 的新型全卷积网络，通过像素级视网膜病变分割和图像级疾病分类相结合，解决了糖尿病性视网膜病变分级的三大挑战，即缺乏客观边界的病变、病变的临床重要性与其大小无关，以及病变和疾病类别之间缺乏一对一的对应关系。在一组包含 12K 张眼底图像和 8 种视网膜病变的手动标记数据集上进行了广泛实验，表明我们的方法在病变分割、病变分类和糖尿病性视网膜病变分级等多个任务上均优于现有方法。

    Dec, 2019

  • 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

  • 多分辨率上下文网络和对抗学习在视网膜血管分割中的应用

    提出一种名为 MRC-Net 的多分辨率上下文网络，其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性，并使用双向递归学习模型前者 - 后者和后者 - 前者之间的依赖性，在对前景分割进行对抗训练的基础上进行训练，以提高分割网络的性能，同时保持可比较低的可训练参数数量。该方法在 DRIVE、STARE 和 CHASE 三个基准数据集上表现优异，与现有的竞争方法相比具有更好的性能。

    Apr, 2023