图像分割论文:Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Images for Segmentation

最新推荐文章于 2022-06-07 10:21:37 发布
最新推荐文章于 2022-06-07 10:21:37 发布
阅读量207 收藏
点赞数
分类专栏： 医学图像处理论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jlch5555/article/details/106917479
版权
该论文提出当前CNN方法在医疗图像分割中的局限性，仅利用平移不变性，忽视旋转和反射等对称性。通过设计基于核的等变操作和具有层对称约束的特殊层，解决这一问题。提出的群等边分割CNN模型能更好地捕获图像对称性，提高分割网络的权重分担和表达能力，减少边缘划分错误。实验结果与最新方法对比，显示了改进的效果。
摘要由CSDN通过智能技术生成

图像分割论文:Beyond CNNs: Exploiting Further Inherent Symmetries in Medical Images for Segmentation

Auther: Shuchao Pang, Institution:Macquarie University, Publish year: 2020
论文地址：https://arxiv.org/abs/2005.03924

Key point:

提出了目前CNN-based方法的局限性：CNN只能利用平移不变性，而忽略了医学图像中存在的旋转，反射等固有对称性。
首先在每个方向上设计了基于kernel的等变操作，解决现有方法中学习对称性的不足，其次，设计了具有层对称约束的特殊层以保持分割网络的全局等价性。

面临的挑战

  • 肿瘤和周围组织表现出相似的对比度
  • 不同患者肿瘤的位置、大小、数目均不可预测
  • 不同患者肿瘤的强度不同
  • 训练数据有限，在像素级标注中很容易存在问题
  • 常规CNN存在的问题
    在这里插入图片描述
    Fig1 Regu
最低0.47元/天 解锁文章
cont_seg.zip_image segmentation_彩色图像_彩色图像 分割_彩色图像分割
09-24
在图像处理领域，图像分割是一项基础且至关重要的技术。它涉及到将一幅图像划分为多个具有相似特征或意义的区域，这些区域通常代表图像中的不同对象或背景。在本压缩包中，我们有两个文件：deer.m 和 cont_seg.m，...
[Transformer]TransFuse: Fusing Transformers and CNNs for Medical Image Segmentation
qq_37151108的博客
11-02 2823
TransFuse: Fusing Transformers and CNNs for Medical Image SegmentationAbstractSection I IntroductionSection II Proposed MethodSection III ExperimentsSection IV Conclusion Medical Image Segmentation) Abstract 医学图像分割是众多临床诊断的先决任务，目前主要基于CNN框架，然而CNN的局限性在于无法捕获长程
几种Transformer+CNN（U-net）网络
qq_35989942的博客
03-31 1万+
一. 对比 U-Net Transformer 优点 融合深层语义信息和高精度特征所含信息 提取全局信息 不足 无法对距离较远的特征的上下文关系进行建模 缺少局部细节处的信息 二. 网络 1. TransUNet 文章：TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation 2. TransFuse 文章：TransFuse: Fusing Transformers and CNNs
TransFuse: Fusing Transformers and CNNs for Medical Image Segmentation
阿木寺的博客
02-17 2489
在息肉分割任务上表现SOTA！性能优于SETR、PraNet和ResUNet++等，速度高达98.7 FPS！ 注1：文末附【Transformer】和【医疗影像】交流群 注2：整理不易，欢迎点赞，支持分享！ TransFuse: Fusing Transformers and CNNs for Medical Image Segmentation 作者单位：Rayicer, 佐治亚理工学院 论文：https://arxiv.org/abs/2102.08005 具有深度特征表示和跳跃连接的基于U-N
谷歌开源BoTNet | CNN与Transformer结合！Bottleneck Transformers for Visual Recognition！CNN+Transformer！
中科院AI算法工程师的博客
01-29 1649
新思路！ https://arxiv.org/abs/2101.11605 无需任何技巧，基于Mask R-CNNN框架，BoTNet在COCO实例分割任务上取得了44.4%的Mask AP与49.7%的Box AP指标，超越了之前由ResNeSt的最佳指标。
Transformer再突破！MedT：医学图像分割新网络
阿木寺的博客
03-15 5383
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达本文作者：AdamLau |来源：知乎（已授权）https://zhuanlan.zhihu.com/p/355...
ISBI Challenge: Segmentation of neuronal structures in EM stacks
07-22
在这个特定的挑战中，参赛者面临的任务是“Segmentation of neuronal structures in EM stacks”，即在电子显微镜（EM）堆栈图像中分割神经元结构。这一任务对于理解大脑的复杂神经网络至关重要，因为精确地识别和...
TransFuse：融合Transformers和CNN用于医学图像分割
skyfengye的博客
03-22 3085
最近transformer网络真的非常火，尤其是在语义分割中，人们提出了各种各样的组合方法。我上一篇提到了一篇文章：TransUnet。这里另外一篇基于transformer的网络也出来了。比较出名，在这里推荐给大家。 废话不多说直接上整个网络的结构框架 这一篇文章相比于前面那篇，整个彻底的去掉了传统的CNN 网络结构。直接使用了transformer.这样做的目的是在不损失low-level细节的定位能力的情况下提高全局上下文建模效率的问题。众所周知，多次的卷积核池化操作很容易导致信息的丢失.
论文笔记：DnCNNs（Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising）
热门推荐
npu15222808378的博客
05-19 1万+
一、主要目的与贡献 这篇文章主要在传统的去噪神经网络上进行了了改良，提出了新的前馈降噪卷积神经网络（DnCNNs）。 主要的改良方法包括：改用残差学习、加入批量归一化。 效果：提升特定噪声水平的高斯去噪的效果、进一步扩展到一般性的图像去噪任务，即盲高斯去噪、单图像超分辨率、JPEG图像去块。 二、Introduction 批量归一化 与小批量SGD结合使用，在一批图像进入卷积层时，...
粗读TransFuse: Fusing Transformers and CNNs for Medical Image Segmentation
qq_42578970的博客
06-07 481
整个网络架构挺简单的，一边是传统的ViT，另一边是CNN，创新点主要在于融合两者的特征图并做出预测，同时融合的信息还会回过头影响CNN的预测。最后把三种预测的结果求损失，并乘以一个超参数后相加，便得到了最终损失。...
【学术相关】CVPR2021最新接收论文合集！22个方向100+篇论文汇总｜持续更新
fengdu78的博客
03-09 8693
报道丨极市平台导读CVPR2021结果已出，本文为CVPR最新接收论文的资源汇总贴，附有相关文章与代码链接。文章在Github上持续更新，欢迎大家 star/fork（点击阅读原文即可...
图像分割论文:Boundary Loss for Remote Sensing Imagery semantic segmentation
jlch5555的博客
06-19 4882
图像分割论文:Boundary Loss for Remote Sensing Imagery semantic segmentation Auther: Alexey Bokhovkin, Institution:Skoltech, Moscow, Publish year: 2019 论文地址：https://arxiv.org/abs/1905.07852v1 目前存在的问题： 对遥感地图进行分析时，对目标实例的分割，尤其是对目标边界的确定至关重要。但目前分割任务中广泛使用的loss functio
图像分割论文(nnUNet):Automated Design of Deep Learning Methods for Biomedical Image Segmentation
jlch5555的博客
09-22 2926
图像分割论文:Automated Design of Deep Learning Methods for Biomedical Image Segmentation Auther: Fabian Isensee, Institution:German Cancer Research Center, Publish year: 2020 论文地址：https://arxiv.org/abs/1904.08128v2 github: https://github.com/MIC-DKFZ/nnUNet Key
医学图像分割论文:Two-Stage Cascaded U-Net: 1st Place Solution to BraTS Challenge 2019 Segmentation Task
jlch5555的博客
07-30 2507
医学图像分割论文:Two-Stage Cascaded U-Net: 1st Place Solution to BraTS Challenge 2019 Segmentation Task Auther: Zeyu Jiang, Institution:South China University of Technology, Publish year: 2020 论文地址：https://sci-hub.tw/10.1007/978-3-030-46640-4_22 Key point: 提出了end-
医学图像分类论文:Deep Learning for Identifying Metastatic Breast Cancer
jlch5555的博客
09-22 1280
医学图像分类论文:Deep Learning for Identifying Metastatic Breast Cancer Auther: Dayong Wang, Institution: Harvard Medical School, Publish year: 2016 论文地址：https://arxiv.org/abs/1606.05718v1 Key point: ISBI challenge: 淋巴结活检图像中转移性乳腺癌的自动检测，体现了深度学习在自动诊断中的应用 将原始图像划分为小的p
医学图像分割论文:MS-NAS: Multi-Scale Neural Architecture Search for Medical Image Segmentation
jlch5555的博客
07-30 1182
医学图像分割论文:MS-NAS: Multi-Scale Neural Architecture Search for Medical Image Segmentation Auther: Xingang Yan, Institution:Zhejiang University, Publish year: 2020 论文地址：https://arxiv.org/abs/2007.06151 Key point: 将网络结构搜索（NeuralArchitecture Search, NAS）应用于医学图像分
2018 ICLR最佳论文：Spherical CNNs：解决球面图像分析的革命性方法
"《Spherical CNNs》是一篇在2018年国际机器学习会议(Conference and Learning Representations, ICLR)上发表的获奖论文，作者Taco Cohen等人提出了针对球面图像分析的新方法——球面卷积神经网络(Spherical CNNs)。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值