Aug, 2024

多模态MRI脑肿瘤分割的3D U-KAN实现

HTML
PDF
TL;DR本研究解决了多模态MRI数据在3D脑肿瘤分割中的应用问题。通过引入Kolmogorov-Arnold Network（KAN）层的U-KAN模型，并针对3D任务提出了UKAN-SE变体，结合了Squeeze-and-Excitation模块以增强全局注意力。研究结果表明，U-KAN和UKAN-SE在效率上表现优越，训练时间大约为U-Net和Attention U-Net的四分之一，而在大多数评估指标上超过这些模型。
发现论文，激发创造
  • MRI实时脑肿瘤分割的3D扩张多纤网络

    本文介绍了一种高效的3D卷积神经网络，采用3D multi-fiber unit并使用3D dilated convolutions来构建多尺度特征表示，以达到实时密集体积分割的目的，并在BraTS-2018挑战数据集上的实验结果表明，该神经网络架构在高保真度的前提下大大降低了计算成本。

    Apr, 2019

  • 优化U-Net用于脑肿瘤分割

    本文通过一项消融研究，建议了优化的U-Net架构用于BraTS21挑战的脑肿瘤分割任务，并在NVIDIA Deep Learning Examples GitHub仓库中开源了代码来重现我们的BraTS21提交。

    Oct, 2021

  • 使用基于3D注意力机制的U-Net进行多类MRI脑肿瘤分割

    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

  • 基于残差变换器的脑肿瘤分割的集成学习

    提出了一种将Transformers集成到自适应U-Net中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

    Jul, 2023

  • 将边缘融入U-Net模型并使用可解释的激活图进行脑肿瘤分割，基于MR图像

    通过使用边缘地面真实度的方法，与基线U-Net和其变种相比，边缘目标训练的模型在核心瘤区域表现良好，并且获得与Swin U-Net和混合MR-U-Net等基线最先进模型相似的性能，这些边缘训练的模型能够生成对于治疗规划有用的边缘图。此外，为了进一步解释结果，研究了混合MR-U-Net生成的激活图。

    Jan, 2024

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用3D U-Net模型，通过大规模的脑MRI扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024

  • 混合多头关注式三维Unet用于脑肿瘤分割

    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

  • U-KAN 为医学图像分割和生成提供了强大的骨干

    我们通过将KAN层整合到中间表示中，探索了Kolmogorov-Arnold网络（KANs）在改进视觉任务的骨干网络中的潜力，并证明了U-KAN在医学图像分割中的优越性。

    Jun, 2024

  • KANDU-Net：一种基于KAN的双通道U-Net用于医学图像分割

    本研究针对医学图像分割中U-Net模型的局限性，提出了一种新颖的双通道结构，通过集成KAN网络提升模型的特征捕捉能力。实验结果表明，该KAN卷积双通道模型在数据集上的表现优异，展示了其在医学图像分割任务中的潜在应用价值。

    Sep, 2024

  • 多尺度轻量级脑肿瘤分割网络MBDRes-U-Net

    本研究针对脑肿瘤分割中的高计算负担问题，提出了一种名为MBDRes-U-Net的轻量级模型。该模型通过集成多分支残差块和融合注意力的方法，利用多模态图像中的丰富局部特征来增强分割性能，显著减少计算开销，并在脑肿瘤分割挑战赛数据集中展示了其高精度的分割效果。

    Nov, 2024