- AWGUNET: 基于注意力引导小波 U-Net 的组织病理图像细胞核分割
准确的核分割对于癌症诊断至关重要。本文提出了一种将 U-Net 架构与 DenseNet-121 主干相结合的分割方法,利用两者的优势捕捉全面的上下文和空间信息。我们的模型引入了小波引导通道注意模块以增强细胞边界勾画,并使用可学习的加权全局 - ECGrecover:一种用于心电图信号补全的深度学习方法
本研究通过提出一种使用 U-Net 结构模型和新的目标函数进行的 ECG 信号重建方法,通过综合评估使用真实数据集和公开数据集,证明了该方法在标准畸变指标方面具有卓越性能并且保留了重要的 ECG 特征,在增强 ECG 的临床应用方面具有重要 - 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。
- 连续学习的原始对偶算法
神经常微分方程(Neural ODEs)在深度学习文献中取得了巨大成功,最近提出了连续版本的 U-net 架构,在图像应用中显示出比离散版本更高的性能,并围绕其性能和鲁棒性提供了理论保证。本文探讨了使用神经 ODE 解决学习逆问题的可能性, - nnU-Net 重新审视:对 3D 医学图像分割的严格验证的呼吁
通过细致避免使用不充分的基线、不足够的数据集和忽视计算资源等常见验证缺陷,我们对当前分割方法进行了全面而彻底的基准测试,结果表明:1)采用包括 ResNet 和 ConvNeXt 变体在内的基于 CNN 的 U-Net 模型,2)使用 nn - 用于脑肿瘤分割的图像增强技术的比较分析:对比度、直方图和混合方法
该研究系统地研究了图像增强技术对基于卷积神经网络(CNN)的脑肿瘤分割的影响,重点关注直方图均衡化(HE)、有限对比适应性直方图均衡化(CLAHE)及其混合变化。利用 3064 个脑 MRI 图像数据集,采用 U-Net 架构进行预处理步骤 - 重新思考生物医学图像分割中的 U-net 跳跃连接
通过分析 U-net 架构的神经网络,发现其网络层对于领域转移非常敏感,特别是在浅层网络中。在移除最上层的跳跃连接之后,性能得到了显著提升,不仅对于领域转移具有积极的影响,对于领域内测试数据也有 10%至 13%的性能提升。
- 多尺度语义分割与改进的 MBConv 块
这篇论文介绍了一种针对语义分割特别定制的 MBConv 块的新方法,通过修改 U-Net 架构的每个分支,使其在各自的分辨率下拥有相等的分割能力,从而提高了语义分割性能,实现了在 Cityscapes 测试和验证数据集上令人印象深刻的平均交 - RPNR: 鲁棒感知神经胶片重新上色
我们使用深度图像先验网络(DIP)和鲁棒特征提取网络,通过只使用两个图像在目标环境中以一致的方式渲染源片段,实现了在需求背景下插入所需对象的方法。与基准方法(如剪切和粘贴、剪切和粘贴神经渲染、图像协调等)相比,我们的方法不需要配对标记的数据 - 时间序列扩散方法:用于振动信号生成的降噪扩散概率模型
通过改进 U-net 架构并结合扩散模型的基本原理,本研究提出了一种时间序列扩散方法 (TSDM),通过前向扩散和逆向去噪过程对时间序列进行生成,并在振动信号生成、特征提取和小样本故障诊断等方面进行了实验证明。结果显示,TSDM 能够准确生 - 构建准确且普适的多发性硬化症病灶分割模型:自我集成病灶融合
利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型,并提供了一种新颖的测试时自组合损伤融合策略,不需要进一步的修改,同时具备实例归一化,而非文献中广泛使用的批归一化,在不同扫描仪的临床测试数据上展示了良好的泛化能力。
- 大气湍流中无监督区域生长网络的目标分割
本文提出了一个针对受大气湍流影响动态场景的两阶段无监督前景目标分割网络。在第一阶段,我们利用湍流变形的图像序列的平均光流来提供一个新颖的区域生长算法,为视频中的每个移动物体构建初步的掩膜。在第二阶段,我们采用具有一致性和分组损失的 U-Ne - 低电子剂量 LC-TEM 获取的原位图像的机器学习优化
我们研究了一种机器学习技术,用于通过液体透射电子显微镜(LC-TEM)在原位观察期间对所获得的图像进行细化。我们的模型采用了 U-Net 架构和 ResNet 编码器。通过准备一个原始图像数据集进行训练,其中包含了使用和不使用溶液的样品的图 - 基于 Transformer 网络的皮肤病变分割的跨尺度依赖建模
本研究提出并评估了一种基于分层 Transformer 结构的 U 型网络模型用于皮肤病变分割,同时提出了一种自适应地结合每个阶段上下文的 Inter-scale Context Fusion (ISCF) 方法,初步结果证明了 ISCF - 基于 Transformer 网络的皮肤病变分割及跨尺度依赖建模的改进
提出一种基于 Hierarchical Transformer 的 U 型结构用于皮损分割,以及一种使用注意力相关性自适应地组合每个阶段的上下文来减轻语义差距的 Inter-scale Context Fusion(ISCF)方法。
- 基于图卷积网络实现稳健的心脏分割
使用图卷积神经网络的图结构消除心脏结构分割的解剖错误,实时预测结构轮廓点,并提出使用 U-Net 和图网络的模型间一致性作为输入和分割质量的预测指标。
- 揭示基于深度学习的脑部 MRI 重建中的公平偏差
该研究使用深度学习重建技术分析了基于神经网络的磁共振成像的公平性问题,发现性别和年龄子群之间存在显著的性能偏差,并提供了改进医学人工智能应用公平性的见解。
- Diffusion U-Net 中的免费午餐
我们利用扩散 U-Net 的潜力,提出了一种名为 “FreeU” 的简单而有效的方法,通过重新加权 U-Net 的跳跃连接和骨干特征图的贡献,结合两个组件的优势,大大提高了生成质量。
- 使用 U-Net 脉冲神经网络的单信道语音增强
本文提出了一种基于脉冲神经网络(SNN)和 U-Net 架构的能量高效语音增强模型,该模型在处理带有时间维度的数据(例如语音)和应用于资源有限设备上具有良好的性能,实验结果表明所提出的 SNN 模型在能量高效性上优于 Intel Neuro - 基于改进 U-net 架构的矩阵模板中学生编号的识别
本文提出了一个通过神经网络和特殊设计的 U-Net 架构来识别学生身份证号,并用其自动完成试卷批改和数据处理等功能的创新方法。