SvANet:用于小型医学目标分割的尺度可变关注网络
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
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
通过对复杂数据集和不同类型的数据集进行广泛实验,本研究提出了一种名为DmADs-Net的密集多尺度注意力和深度监督网络,通过特征提取、特征注意力块和特征融合等模块的创新,该网络在处理医学图像中的病变定位和特征提取方面取得了优于主流网络的表现。
May, 2024
EMCAD是一种高效的多尺度卷积关注解码器,通过引入多尺度卷积来提高特征图,同时采用通道、空间和分组(大核)门控关注机制,以捕捉复杂的空间关系并关注显著区域,从而优化医学图像分割的性能和计算效率。
May, 2024
我们提出了Mini-Net,一个专门为医学图像设计的轻量级分割网络,通过少于38,000个参数高效捕捉高频和低频特征,从而实现在各种医学成像场景中的实时应用,并在DRIVE、STARE、ISIC-2016、ISIC-2018和MoNuSeg等各种数据集上评估了Mini-Net,展现了它与最先进方法相比的稳健性和良好性能。
May, 2024
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。
Jun, 2024
本研究聚焦于医学图像分割中的大小、形状和密度差异的问题,提出了一种新颖的深度分割框架MSA2Net,结合了局部和全局特征以提升分割精度。特别地,研究推出了多尺度自适应空间注意力门(MASAG),动态调整感受野以突出相关特征并降低背景干扰。实验表明,MSA2Net在皮肤病学和放射学数据集上超越或匹配了当前最先进的性能。
Jul, 2024
本研究聚焦医学图像分割中的结构变异问题,提出了MSA$^2$Net框架,通过动态调整局部和全局上下文信息,有效融合细粒度和粗粒度特征。实验显示,MSA$^2$Net在多个数据集上超越了现有最先进技术,具有显著的应用潜力。
Jul, 2024
本研究针对生物医学图像分割中缺乏标准化综述的问题,进行了系统的文献综述,分析了148篇探讨深度学习目标检测方法的文章。该论文提出了关键挑战,并讨论了未来研究方向,目的是为研究者提供对这些模型的深入理解,从而促进生物医学图像分析的更强大解决方案的开发。
Aug, 2024