医学图像分割
文章平均质量分 90
XL_Dylan
这个作者很懒,什么都没留下…
展开
-
[医学图像Transformer] Medical Transformer: Gated Axial-Attention for Medical Image Segmentation
医学图像Transformer:一种用于医学图像分割的门控轴向注意力网络论文地址开源代码摘要大多数现有的基于Transformer的网络架构用于视觉应用,但需要大规模数据集来正确训练。然而,与用于视觉应用的数据集相比,用于医学成像的数据样本数量相对较低,使得难以有效地训练用于医学应用的Transformer。为此,我们提出了一个门控轴向注意(Gated Axial-Attention)模型,该模型通过在自注意模块中引入额外的控制机制来扩展现有的体系结构。此外,为了在医学图像上有效地训练模型,我们提出原创 2021-06-29 15:51:00 · 3377 阅读 · 1 评论 -
[医学图像Transformer]TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation论文地址开源代码摘要传统U-Net通常在显式建模长期依赖(long-range dependency)方面表现出局限性。Transformers,设计用于序列到序列的预测,已经作为具有固有的全局自注意机制的替代架构出现,但由于低层次细节不足,可能导致有限的定位能力。在本文中,我们提出了具有Transformers和U-Net优点的TransUNet,作原创 2021-06-01 10:24:54 · 1291 阅读 · 1 评论 -
[医学图像分割]Recalibrating Fully Convolutional Networks withSpatial and Channel ‘Squeeze & Excitation’..
带有空间和通道“压缩-激励”块的全卷积校准网络(IEEE TRANSACTIONS ON MEDICAL IMAGING 2018)论文地址摘要F-CNNs的架构创新主要集中在改进空间编码或网络连通性以帮助梯度流动,而本文的目标是从另一个角度来解决问题,通过自适应地重校准学习到的特征映射来增强有意义的特征同时抑制不重要的特征。为此,我们引入了三种不同的用于分割的模块:(i)空间压缩和通道激励,(ii)沿通道压缩和空间激励,(iii)联合空间和通道压缩和激励。存在的问题及解决方案以往的工作旨在改进空原创 2021-05-09 10:05:19 · 871 阅读 · 0 评论 -
医学图像中的atlas代表什么
“Atlas”一词通常指带有标签的地图,可以用来作为导航工具,以找到相对于其他店在一个地理区域内的位置。这些altas可以非常精确,提供地图上的点与实际位置之间的一一对应关系。因此,一个atlas可以概括为与一组结构相关的特定结构的一组描述符。在医学上,人体解剖学atlas是一个完全标记的人体图 ,可以通过它来找到特定的解剖区域或亚解剖区域。上图代表的就是医学图像分析中的Atlas。最上面一排从左到右代表的分别是:腹部3D CT扫描中手工标记的肾脏和肝脏,从单一图像中表示的肾脏和肝脏,以图的方式表达的原创 2021-04-24 15:15:15 · 4391 阅读 · 0 评论 -
[医学图像迁移学习]A scoping review of transfer learning research on medical image analysis using ImageNet
利用ImageNet进行医学图像分析的迁移学习研究论文地址Abstract近年来,在非医学ImageNet数据集上经过良好训练的卷积神经网络(CNNs)使用迁移学习(TL)对医学图像进行分析中显示了有希望的结果。我们的目的是进行范围审查,以确定这些研究,并总结它们在问题描述、输入、方法和结果方面的特征。在22个解剖区域中,眼睛(18%)、乳房(14%)和大脑(12%)是最常被研究的。在72%的微调TL研究中进行了数据增强,而在特征提取TL研究中只进行了15%。Inception模型在乳房相关研究中最原创 2021-04-03 10:59:34 · 2462 阅读 · 1 评论 -
[医学图像分割综述] Medical Image Segmentation Using Deep Learning: A Survey
本综述有两个独创之处,首先,与传统的调查方法直接将医学图像分割的文献划分为多个组,并对每个组详细介绍文献的方法相比,我们将目前流行的文献按照从粗到细的多层次结构进行分类。其次,本文重点研究了监督学习和弱监督学习方法,但未包括无监督方法,这种方法目前在医学图像领域并不流行。对于监督学习方法,我们从骨干网络的选择、网络块的设计和损失函数的改进三个方面对文献进行了分析。对于弱监督学习方法,我们分别根据数据增强,迁移学习和交互式分割研究文献。与已有的调查相比,本次调查的文献分类与以往有很大的不同,更便于读者了解相关原创 2021-04-02 17:30:47 · 33441 阅读 · 2 评论