- 博客(6)
- 收藏
- 关注
RSS订阅原创 UNet-2022: Exploring Dynamics in Non-isomorphic Architecture
最近的医学图像分割模型大多是混合的，它将自注意层和卷积层整合到非同构体系结构中。然而，这些方法的一个潜在缺点是，它们未能直观地解释为什么这种混合组合方式是有益的，这使得后续工作很难在其基础上进行改进。为了解决这个问题，我们首先分析了自我注意和卷积的权重分配机制之间的差异。在此基础上，我们提出构造一个并行非同构块，利用自注意和卷积的简单并行化。我们将所得到的u形分割模型命名为UNet-2022。
2023-10-26 10:54:56
168
原创 mask decoder
在语义分割和实例分割任务中，Mask Decoder 通常被添加到预训练模型的中间层之后，用于将图像特征转换为像素级别的掩码。Mask Decoder 通常由一个卷积神经网络组成，它的输入是预训练模型的中间层的输出，输出是与输入图像大小相同的掩码。在推理时，Mask Decoder 可以将预测的特征图转换为像素级别的掩码，从而实现对图像中不同物体的分割。Mask Decoder 的设计和微调方法可以根据不同的任务和数据集进行调整，以提高模型的性能和泛化能力。
2023-10-23 16:33:15
137
原创 解释对于prompt encoder，考虑三种提示模式进行微调 (Point、Bbox和Mask)。
Bbox 模式：在这种模式下，Prompt Encoder 模型将文本提示转换为一个边界框，该边界框表示图像中的一个区域。Point 模式：在这种模式下，Prompt Encoder 模型将文本提示转换为一个点，该点表示图像中的一个位置。在微调时，可以使用 Point 模式来训练模型以检测图像中的特定位置，例如物体的中心点或关键点。Mask 模式：在这种模式下，Prompt Encoder 模型将文本提示转换为一个掩码，该掩码表示图像中的一个区域。
2023-10-23 16:28:31
268
原创 论文精读：Brain Tumor Segmentation viaMulti-Modalities Interactive FeatureLearning
从多模式的磁共振图像数据中自动分割脑肿瘤，有可能实现术前规划和术中体积测量。深度卷积神经网络技术的最新进展为实现端到端分割提供了机会。然而，用于脑肿瘤分割的医学图像数据相对稀少，脑肿瘤的外观多样，很难找到一个可学习的模式来直接描述肿瘤区域。在本文中，我们提出了一种新的跨模式交互式特征学习框架，从多模式数据中分割脑肿瘤。其核心思想是，多模态的Mr数据包含了丰富的正常大脑区域的模式，这些区域很容易被捕获，并有可能用于检测非正常的大脑区域，即脑瘤区域。
2023-09-22 10:43:25
98
1
原创 论文精读AF-Net: A Medical Image Segmentation Network Based on AttentionMechanism and Feature Fusion
1、使用特征融合的医学图像分割算法具有较高的特征冗余率和较大的计算消耗。2、基于注意力机制的医学分割算法由于缺乏显式正则化而面临着分割错误的问题，并且由于卷积核较大，通常会导致较高的计算成本。为了解决以上问题，作者设计了一个基于注意力机制和特征融合的AF-Net模型。在这项工作中，我们提出了一个基于深度学习的AF-Net模型来分割医学图像。更准确地说，注意力模块被设计为具有并行分支，以筛选更有用的特性，用于向后传播。特征融合使我们的模块能够获得更深入、更丰富、更全面的全局信息。
2023-09-09 15:28:23
163
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人