MICCAI‘23 | 基于双重交叉注意力Transformer网络的多对比度MRI超分辨率

最新推荐文章于 2025-05-08 13:52:23 发布
最新推荐文章于 2025-05-08 13:52:23 发布
阅读量78 收藏
点赞数
分类专栏： 医学图像处理论文解读 文章标签： transformer 网络 深度学习 MICCAI 医学图像顶会 医学图像处理 论文解读
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/qq_42722197/article/details/144948164
版权

论文信息

题目：Accurate Multi-contrast MRI Super-Resolution via a Dual Cross-Attention Transformer Network
基于双重交叉注意力Transformer网络的多对比度MRI超分辨率
作者：Shoujin Huang, Jingyu Li, Lifeng Mei, Tan Zhang, Ziran Chen, Yu Dong, Linzheng Dong, Shaojun Liu, Mengye Lyu
源码链接：https://github.com/Solor-pikachu/DCAMSR

论文创新点

  1. 提出了双重交叉注意力Transformer架构：作者提出了一种新的双重交叉注意力多对比度超分辨率（
了解本专栏 订阅专栏 解锁全文
MICCAI‘23 | 基于Transformer的双域网络用于少视图专用心脏SPECT图像重建
小白学视觉
02-07 43
心血管疾病（CVD）是全球死亡的主要原因，使用SPECT的心肌灌注成像已广泛用于CVD的诊断。GE 530/570c专用心脏SPECT扫描仪采用固定几何结构，同时获取19个投影以提高灵敏度并实现动态成像。然而，有限的角度采样会对图像质量产生负面影响。深度学习方法可以用于从固定数据中生成更高质量的图像。这本质上是一个少视图成像问题。在这项工作中，作者提出了一种新颖的基于3D变压器的双域网络，称为TIP-Net，用于高质量的3D心脏SPECT图像重建。
医学顶会 MICCAI‘24 | Deform-Mamba 网络用于 MRI 超分辨率
小白学视觉
01-17 177
在本文中，作者提出了一种新的架构，称为 DeformMamba，用于 MR 图像超分辨率。与传统的基于 CNN 或 Transformer 的超分辨率方法不同，这些方法在局部感受野或高昂的计算成本方面遇到挑战，我们的方法旨在有效探索图像的局部和全局信息。具体来说，我们开发了一个 Deform-Mamba 编码器，由两个分支组成：调制变形块和视觉 Mamba 块。我们还在瓶颈层设计了一个多视图上下文模块，以探索多视图上下文内容。
ICCV 2023 超分辨率（Super-Resolution）论文汇总
不要给自己设限，尝试更多可能（思所向 皆可往）
03-07 4261
1. McASSR | Rethinking Multi-Contrast MRI Super-Resolution: Rectangle-Window Cross-Attention Transformer and Arbitrary-Scale Upsampling（浙大）1. LMR: A Large-Scale Multi-Reference Dataset for Reference-Based Super-Resolution（自动化所 张兆翔团队，百度）
MICCAI 2023 List of Papers
@Elaine
07-10 1361
MICCAI 2023 List of papers
ICCV 2023 超分辨率（super-resolution）方向上接收论文总结
yyywxk的博客
09-30 3094
SISR 领域中，接收的文章大部分都基于Transformer结构，展现出蹭热点的重要性。接收文章中提出了多个新数据集，集中在某些特殊场景（如burst，Scene text，Reference-Based等），有利于SR领域的进一步发展，也挖下了坑。轻量化超分文章比例大，展现出更偏实用化的研究趋势，在医学和高光谱等领域也涌现了相关研究。
医学顶会 MICCAI‘24 | Tagged-to-Cine MRI序列合成的轻量级空间-时间Transformer
小白学视觉
01-19 72
标记磁共振成像（MRI）已成功用于追踪运动器官内组织点的运动。通常，为了使用标记MRI分析运动，会在相同的坐标系统中获取电影MRI数据，这会增加额外的时间和成本。因此，标记到电影MR合成有潜力减少与电影MRI相关的额外采集时间和成本，而不会干扰下游运动分析任务。先前的方法独立处理每个帧，从而忽略了邻近帧中标记图案的遮挡区域可能存在的互补信息。此外，跨帧的不一致视觉外观，例如标签褪色，可能会降低合成性能。
GCtx-UNet: Efficient Network for Medical Image Segmentation——用于医学图像分割的高效网络
Together_CZ的博客
11-27 1865
GCtx-UNet: Efficient Network for Medical Image Segmentation——用于医学图像分割的高效网络
UNext翻译（UNext基于MLP的医学图像快速分割网络）（有那么一丢丢没看懂）
weixin_45622568的博客
09-26 1768
（发表在miccai期刊） 摘要 近年来，UNet及其最新扩展如TransUNet已成为领先的医学图像分割方法。然而，由于这些网络参数多、计算复杂且使用速度慢，因此不能有效地用于即时护理应用中的快速图像分割。为此，我们提出了一种基于卷积多层感知器(MLP)的图像分割网络UNeXt。我们以一种有效的方式设计了UNeXt，其中包括早期卷积阶段和潜伏阶段的MLP阶段。我们提出了一个标记化的MLP块，我们有效地标记和投影卷积特征，并使用MLP来建模表示。为了进一步提高性能，我们建议在向mlp输入的同时改变输入的
AI Agent在智能医疗影像分析中的角色
AI天才研究院
03-22 694
智能医疗影像分析在现代医疗领域中扮演着至关重要的角色，它能够帮助医生更准确、高效地诊断疾病。然而，随着医疗影像数据量的不断增加，传统的分析方法面临着巨大的挑战。AI Agent作为人工智能领域的新兴技术，具有自主学习、决策和执行任务的能力，将其应用于智能医疗影像分析中，有望解决当前面临的问题。本文的目的在于深入探讨AI Agent在智能医疗影像分析中的具体角色和作用，分析其原理、算法和实际应用，为相关领域的研究和实践提供参考。
端口安全讲解
rzy41880的博客
05-07 794
‌MAC地址绑定机制‌端口安全通过记录连接到交换机端口的设备MAC地址，仅允许已授权的MAC地址通信。未绑定的设备接入时，系统会根据预设策略阻断或告警。‌安全MAC类型‌‌静态绑定‌：管理员手动配置允许的MAC地址列表；‌动态绑定‌：交换机自动学习首个接入设备的MAC地址并锁定；‌Sticky MAC‌：动态绑定基础上支持断电后保留绑定关系。类型定义特点安全动态MAC地址仅开启端口安全转换的MAC地址。设备重启后表项会丢失，需要重新学习。
美团后端开发一面
weixin_54385104的博客
05-06 863
内存中；单线程多路复用；数据结构优秀，举了sds和跳表例子；
开发者如何优雅应对HTTPS抓包难题
最新发布
2501_91510632的博客
05-08 356
场景推荐工具理由日常Web请求调试Proxyman简单好用、界面清晰脚本自动化测试mitmproxy支持Python编写逻辑iOS设备HTTPS抓包插线即用，Pinning破解能力强网络协议层排查Wireshark精确底层分析能力对于我来说，现在最常用的组合是 Sniffmaster + mitmproxy：一个管“暴力解密”，一个负责“自动逻辑”，工作效率提高非常明显。分析能力 |
C++负载均衡远程调用学习之Agent代理模块基础构建
qq_27302885的博客
05-04 1335
C++负载均衡远程调用学习之Agent代理模块基础构建
【JavaEE】网络原理之初识（1.0）
mr_yuanshen的博客
04-30 1224
IP地址用于标识主机网络地址。
Netty 是一个基于 Java NIO 的高性能网络通信框架
livemegoodboy的博客
05-06 677
Netty 是一个基于 Java NIO 的高性能网络通信框架
Wireshark使用教程
wynn1123的博客
04-30 2405
菜单栏：用于调试、配置工具栏：常用功能的快捷方式过滤栏：指定过滤条件，过滤数据包数据包列表：核心区域，每一行就是一个数据包数据包详情：数据包的详细数据数据包字节：数据包对应的字节流，二进制。
26届秋招收割offer指南
涤生大数据
05-06 2356
26届暑期实习已经陆续启动，这也意味着对于26届的同学们来说，“找工作”已经提上了日程。为了帮助大家更好地准备暑期实习和秋招，本期主要从时间线、学习路线、核心知识点及投递几方面给大家介绍，希望能为大家提供一些实用的建议和帮助。
TCP 协议设计入门：自定义消息格式与粘包解决方案
moton2017的博客
05-06 872
TCP 是流式传输（无消息边界概念）,必须设计一套【消息结构】，让接收端能准确拆分出完整的消息。
学习黑客网络安全法
qq_41179365的博客
05-03 1220
在正式“开荒”各种黑客工具前，Day 4 的任务是给自己装上一副合规与伦理的“护身铠”。这一小时你将弄懂——做渗透想合法必须先拿授权、哪些法律条款碰不得、等保 2.0 与关基条例为何对企业像副“主线任务”；同时动手把这些要点制成一张“法律速查卡”，以后每次实战前都能快速检查。
超分辨率2024miccai
02-11
### 关于2024 MICCAI会议中超分辨率技术的相关研究 在探讨2024年MICCAI会议上有关超分辨率技术的研究时，可以注意到该领域的一个重要趋势是从理论角度重新审视现有模型的应用效果及其局限性。虽然直接针对超分辨率的具体论文未被提及，但从医学图像处理的角度出发，自编码器作为一种广泛应用的技术，在异常检测中的表现提供了有价值的见解[^1]。 #### 自编码器在医学图像处理中的应用进展 研究表明，通过改进自编码器架构并结合特定任务需求（如医学异常检测），可以在保持高精度的同时提高计算效率和鲁棒性。这些进步对于开发更高效的超分辨率算法具有重要意义。例如，通过对输入数据进行预处理或利用多尺度特征提取方法增强网络性能，使得即使是在低质量源图像上也能实现高质量的放大重建。 #### 结合其他前沿成果的可能性 除了上述基于自编码器的方法外，还有研究探索了状态空间模型用于人体运动理解的新途径[^2]。尽管这项工作的主要关注点并非超分辨率本身，但它所提出的建模思路和技术手段可能为解决超分辨率问题提供新的视角——特别是当涉及到动态场景下的连续帧间关系建模时。 此外，有学者提出了将形状约束融入到深度学习框架内的创新方案，旨在确保生成结果具备良好的拓扑特性而不失真变形[^3]。这种方法同样适用于超分辨率任务中，尤其是在需要保留目标对象结构完整性的应用场景下显得尤为重要。 综上所述，尽管目前尚未见到专门讨论2024年度内发布于MICCAI上的超分辨率专题报告，但可以从相关联的工作方向推测未来可能出现的发展路径以及潜在突破点。
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

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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