Aug, 2024

语言引导的尺度感知医学图像参考分割器

HTML
PDF
TL;DR本研究针对传统医学图像分割方法在诊断和治疗中特定病灶识别不足的问题，提出了一种新的医学图像参考分割任务（MIRS）。通过引入语言引导尺度感知医学分割器（LSMS），本文采用了尺度感知视觉-语言注意模块和全尺度解码器，显著提升了对病灶的定位与分割准确性，并构建了参考肝病变分割（RefHL-Seg）数据集以验证方法的有效性。该研究为医学图像分割提供了新的视角和更高的效率。
发现论文，激发创造
  • 医学图像分割的多尺度自引导注意力

    采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

    Jun, 2019

  • Bi-VLGM: 面向文本引导的医学图像分割的双层类别-严重程度感知视觉-语言图匹配

    本文提出了一种双层级别的视觉-语言图匹配模型，以利用视觉-文本特征之间的类别和严重性关系，并通过引入类别-严重性感知提示和图匹配技术，促进医学图像分割任务的性能。

    May, 2023

  • 基于视觉-语言模型在医学图像分割中的迁移学习探索

    利用多模态视觉语言模型从图像描述和图像中捕捉语义信息，实现对多样化医学图像的分割，并评估其在医学领域的迁移性和基于生成提示的模型性能变化。

    Aug, 2023

  • 医学影像中的CLIP技术综述

    通过对Contrastive Language-Image Pre-training (CLIP)在医学成像领域中的深入探索，本综述论文旨在为医学图像分析领域的研究人员提供对CLIP范式及其潜在影响的整体理解。

    Dec, 2023

  • 医学图像分割的分割全模型：现阶段的应用与未来发展方向

    通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意，但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。

    Jan, 2024

  • MatchSeg：通过参考图像匹配实现更好的分割

    使用少样本学习的方法，本研究提出了一种基于深度学习的医学图像分割框架MatchSeg，通过匹配参考图像和设计联合注意力模块，实现了高效的领域泛化和优越的分割性能。

    Mar, 2024

  • 医学视觉引导（MVP）：一种用于多功能和高质量医学图像分割的统一框架

    准确分割病变区域对于各种疾病的临床诊断和治疗至关重要。本研究提出了一种新颖的医学视觉提示(MVP)框架，借鉴了自然语言处理(NLP)的预训练和提示概念，通过整合SPGP、IEGP和AAGP三个关键组件，使得分割网络更好地学习形状提示信息并实现不同任务之间的相互学习，实验结果表明此方法在各种具有挑战性的医学图像任务中表现优越。

    Apr, 2024

  • 语言引导的尺度感知医学图像分割器用于医学图像引导分割

    本研究针对传统医学图像分割方法在特定病灶识别中的不足，提出了一种新的医学图像引导分割任务（MIRS）。通过引入语言引导尺度感知医学分割器（LSMS），结合了尺度感知视觉-语言注意模块和全尺度解码器，显著提升了病灶定位和分割的准确性。实验结果表明，LSMS在多种数据集上的表现优于现有方法，且计算成本更低。

    Aug, 2024

  • MOSMOS：基于医学报告监督的多脏器分割

    本研究针对医疗系统中多模态数据在细粒度多脏器分割任务中的知识转移问题，提出了一种新的预训练和微调框架MOSMOS，通过医学报告的监督来增强分割效果。实验结果表明，该框架在不同疾病和数据集上均表现良好，有潜力为未来自动标注任务的研究奠定基础。

    Sep, 2024

  • MedVisionLlama：利用预训练大语言模型层增强医学图像分割

    本研究解决了医学图像分割中的性能提升问题，创新性地将预训练的大语言模型变换器块融入医学图像分割的视觉变换器模型中。实验结果显示，该模型的Dice分数从0.74提高到0.79，表明大语言模型在医疗图像分割中的潜力，能显著提高模型的准确性和鲁棒性。

    Oct, 2024