Jul, 2024

SACNet：一种用于2D多器官医学分割的空间自适应卷积网络

HTML
PDF
TL;DR本文介绍了一种利用可变形卷积和多对象分割的知识来优化空间自适应卷积网络 (SACNet) 的方法，通过在特征提取、模型架构和损失约束等方面进行改进，提高了不同分割目标的感知能力，并在 ACDC 和 Synapse 的 3D 切片数据集上的实验证明了 SACNet 在多器官分割任务中相对于现有方法具有卓越的分割性能。
发现论文，激发创造
  • DeepOrgan: 多层深度卷积神经网络用于自动化胰腺分割

    本文提出了一种基于 ConvNets 和 CT 扫描的分层粗到细分割方法，用于自动识别和分割腹部内器官，特别是胰腺。在 82 名患者的 CT 图像上进行了交叉验证，结果表明该方法可以实现高达 83.6％±6.3％的分割准确率。

    Jun, 2015

  • 基于级联的三维全卷积网络在医学图像分割中的应用

    通过在多个解剖结构(从大器官到细小血管)的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络，该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破，所提出的粗略到精细的两阶段方法达到了最先进水平。

    Mar, 2018

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见U-Net的2D架构，让2D模型学习表示3D图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • DoDNet: 学习从多个部分标记的数据集中分割多个器官和肿瘤

    本研究提出了一种动态需求网络（DoDNet），用于在仅标注部分器官和/或肿瘤的数据集上分割多个器官和肿瘤，通过共享编码器-解码器结构、任务编码模块、控制器和动态分割头来生成动态卷积滤波器，相对于现有方法，DoDNet更加高效，代码和数据集可在链接中获得。

    Nov, 2020

  • 3D UX-Net:基于大卷积核优化分层变换的医学图像分割立体卷积网络

    该研究提出了一种轻量级体积卷积网络（3D UX-Net），它使用ConvNet模块来适应分层变换器进行稳健的体积分割，与当前SOTA变换器相比表现竞争力，并在三个具有挑战性的公共数据集上显示出更好的Dice系数。

    Sep, 2022

  • DeformUX-Net：带有深度可变卷积的医学图像分割 3D 基础骨干的探索

    本文介绍了3D DeformUX-Net，一种创新的体积卷积神经网络模型，它灵活地处理了传统上与ViTs和大内核卷积相关的缺点，并且在四个具有挑战性的公共数据集上持续优于现有的最先进的ViTs和大内核卷积模型。

    Sep, 2023

  • 动态U-Net: 面向腹部多器官分割的自适应特征校准

    动态U-Net是一种改进的网络架构，通过引入动态校准卷积、动态校准下采样和动态校准上采样模块，解决了U-Net在多器官分割任务中存在的一些限制，并在两个腹部多器官分割基准任务中取得了显著的分割精度提升。

    Mar, 2024

  • 动态大核与动态特征融合用于三维医学图像分割的D-Net

    Hierarchical transformers have introduced the DLK and DFF modules in the D-Net architecture, resulting in improved performance for medical image segmentation tasks.

    Mar, 2024

  • 自适应卷积层优化医学图像分割性能

    通过在传统CNN模型之前放置自适应层，根据输入影像的局部环境动态调整卷积核尺寸，本文提出的方法可以在处理具有多种尺度和配置的医学影像时，增强网络对多样解剖结构和图像细节的处理能力，进而在SegPC2021和ISIC2018等常见数据集上，取得了优于传统CNN模型的分割准确性、Dice系数和IoU的结果。

    Apr, 2024

  • MDNet：多解码器网络用于腹部CT器官分割

    使用经过预训练的 MiT-B2 编码器和多个不同的解码器网络，MDNet 利用多尺度特征增强膨胀块连接不同部分的编码器，逐渐增加网络深度并精细化分割掩模，通过整合前面解码器的特征图丰富特征映射，利用前一个解码器的预测掩模进一步提供前景和背景区域的空间关注，从而高度精确地优化分割掩模。在肝肿瘤分割（LiTS）和MSD脾脏数据集上，MDNet实现了Dice相似性系数（DSC）分别为0.9013和0.9169，Hausdorff距离分别为3.79和2.26，凸显了MDNet捕捉复杂轮廓的精确性。此外，与其他基准模型相比，MDNet具有更高的可解释性和稳健性。

    May, 2024