医图论文 MIA 2024 | 基于Transformer的跨模态肿瘤分割的图像级监督与自训练

最新推荐文章于 2025-04-24 23:49:54 发布
最新推荐文章于 2025-04-24 23:49:54 发布
阅读量13 收藏
点赞数
分类专栏： 医学图像处理论文解读 文章标签： transformer 深度学习 人工智能 医学图像处理 论文解读 MIA 医学图像顶刊
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/147339698
版权

论文信息

题目：Image-level supervision and self-training for transformer-based cross-modality tumor segmentation
基于Transformer的跨模态肿瘤分割的图像级监督与自训练
作者：Malo Alefsen de Boisredon d’Assier, Aloys Portafaix, Eugene Vorontsov, William Trung Le, Samuel Kadoury

论文创新点

  1. 提出了一种新的半监督训练策略MoDATTS，旨在解决跨模态3D肿瘤分割中的泛化问题。
  2. 使用图像到图像的翻译策略，生成目标模态的合成标注图像和标签，从而提高对未标注目标模态的泛化能力。
  3. 引入强大的视觉Transformer架构
了解本专栏 订阅专栏 解锁全文
MIA‘24 | VSmTrans：一种融合自注意力和卷积的混合范式用于3D医学图像分割
小白学视觉
01-19 68
目的：近期，视觉Transformer因其出色的全局表征学习能力，在性能上与CNNs不相上下。然而，在将它们应用于3D图像分割时存在两个主要挑战：i)由于3D医学图像的庞大尺寸，由于巨大的计算成本，很难捕获全面的全局信息。ii)Transformer中局部归纳偏置的不足影响了分割细节特征的能力，例如模糊和微妙定义的边界。因此，要将视觉Transformer机制应用于医学图像分割领域，需要充分克服上述挑战。
MIA 2024 | I2U-Net：具有丰富信息交互的双路径U-Net用于医学图像分割
小白学视觉
03-12 51
尽管U型网络在许多医学图像分割任务中取得了显著的性能，但它们很少对层次层的序列关系进行建模。这一弱点使得当前层难以有效利用前一层的历史信息，导致对边界模糊和形状不规则的病变的分割结果不尽人意。为了解决这个问题，我们提出了一种新颖的双路径U-Net，称为I2U-Net。新提出的网络通过双路径之间的丰富信息交互，鼓励历史信息的重用和重新探索，允许深层学习更全面的特征，这些特征包含低级细节描述和高级语义抽象。
MIA 2024 | AbdomenAtlas：一个大规模、详细注释和多中心的数据集，用于高效迁移学习和开放算法基准测试
小白学视觉
02-16 877
我们介绍了迄今为止最大的腹部CT数据集（称为AbdomenAtlas），包含来自112家医院的20,460个三维CT体积，涵盖了不同人群、地理区域和设施。AbdomenAtlas提供了673,000个高质量的腹部区域解剖结构掩码，这些掩码由10名放射科医生在AI算法的帮助下进行注释。我们首先由专家放射科医生手动注释了5,246个CT体积中的22个解剖结构。随后，对剩余的CT体积进行了半自动注释程序，放射科医生修订了AI预测的注释，而AI则通过学习修订后的注释来改进其预测。
变换器（Transformer）在医学成像中的应用(上）
cc1609130201的博客
10-08 1816
在自然语言任务上取得前所未有的成功之后，Transformer已被成功应用于多个计算机视觉问题，取得了最先进的结果，并促使研究人员重新考虑卷积神经网络(CNNs)作为事实上标准操作符的优势地位。利用计算机视觉领域的这些进展，医学影像领域也见证了对Transformer日益增长的兴趣，Transformer相比具有局部感受野的CNN可以捕捉全局上下文。受这一转变的启发，在这项调研中，我们试图对Transformer在医学影像中的应用进行全面综述，涵盖从最近提出的架构设计到未解决问题等各个方面。具体而言，我们调
深度学习-数值稳定性和模型初始化
fantasy_ARM9的博客
04-24 268
到目前为止，我们实现的每个模型都是根据某个预先制定的分布来初始化模型的参数，有人会认为初始化方案时理所当然的，忽略了如何做出这些选择的细节，甚至有人可能会觉得，初始化方案的选择并不是特别重要，实际上，初始化方案的选择在神经网络学习中起着举足轻重的作用，保持数值稳定性至关重要。换而言之，该剃度是L-1 个矩阵M(L) ... M(l + 1) 与梯度向量v(l)的乘积。遗憾的是，这会使上面的问题更为严重，矩阵M可能是各种各样的特征值，可能很小，也可能很大，而他们的乘积可能非常大，也可能非常小。
基于深度学习Yolo8的驾驶员疲劳与分心行为检测系统
XiaoCoder的博客
04-23 205
③：技术栈：Python、PySide6、OpenCV、YOLOv8、Matplotlib、NumPy。②：开发环境：Python3.8+、PyCharm/VSCode。①：疲劳检测：眨眼频率监测、哈欠检测、Perclos模型评分。②：分心行为识别：手机使用检测、抽烟行为检测、喝水行为检测。④：数据统计：行为数据可视化、疲劳指标统计、数据导出功能。①：系统环境：Windows/Mac/Linux。③：实时监控：摄像头实时画面显示、状态实时更新。【三】疲劳检测模型与行为分析统计。
2025-04-22 李沐深度学习5 —— 线性回归
zheliku的博客
04-22 1221
​ 在美国买房时，买家需根据房屋信息（如卧室数量、卫生间数量、面积等）预测合理的成交价。输入数据：房屋特征（如X1=卧室数X2=卫生间数X3=面积输出目标：预测成交价Y。实际挑战：卖家的标价和网站估价（如Redfin）仅为参考，最终需通过竞价决定成交价，因此准确预测至关重要。​ 计算输入特征X\mathbf{X}X和模型权重w\mathbf{w}w的矩阵-向量乘法后加上偏置bbb。​ 注意，上面的XwXw是一个向量，而bbb是一个标量。
RNN的理解
olssa的博客
04-20 903
注：生成的 W_xh 会是一个形状为 (4, 3) 的张量，可能是这样的（数字是随机生成的）：这个张量有 4 行 3 列。注：x 是输入数据，形状是 (3, 5, 4)，其中：3 是批量大小（batch_size），即我们一次性输入网络的样本数是 3。5 是序列长度（seq_len），每个样本有 5 个时间步。4 是每个时间步的输入特征数量。self.hidden_size 假设是 6，表示隐藏层的维度是 6。
卷积神经网络综述
XU157303764的博客
04-20 1906
本文对卷积神经网络（Convolutional Neural Network，CNN）进行了全面综述。首先介绍了卷积神经网络的发展历程，包括早期的理论基础和关键突破。接着详细阐述了卷积神经网络的结构组成，包括卷积层、池化层、全连接层等，分析了各层的作用和特点。然后探讨了卷积神经网络在图像识别、目标检测、语义分割等多个领域的应用，并介绍了一些典型的应用案例。此外，还讨论了卷积神经网络的训练方法和优化技巧，包括数据增强、正则化、超参数调整等。最后，对卷积神经网络的未来发展趋势进行了展望。
深度学习视觉应用平台特色功能介绍
tipdm0301的博客
04-22 528
深度学习视觉应用平台是面向高校人工智能相关专业课程教学的工具。平台内置丰富有趣的视觉应用案例，将深度学习算法与视觉应用结合，实现图像分类、图像生成、图像增强等交互式实验场景，形象展示算法原理和结构。
深度学习-全连接神经网络-2
precious_35的博客
04-21 1002
在使用Torch构建网络模型时，每个网络层的参数都有默认的初始化方法，同时还可以通过以上方法来对网络参数进行初始化。当输出层使用softmax多分类时，使用交叉熵损失函数；当输出层使用sigmoid二分类时，使用二分类交叉熵损失函数， 比如在逻辑回归中使用；当功能为线性回归时，使用均方差损失-L2 loss；梯度下降算法通过不断更新参数来最小化损失函数，是反向传播算法中计算权重调整的基础。
目标检测：视觉系统中的CNN-Transformer融合网络
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！想进粉丝福利群及免费送书群，直接私信我拉你。交流学习、商务合作：https://bbs.csdn.net/topics/614347534
04-21 1373
RTD-Net是一个单阶段检测网络，它直接从输入图像预测目标的位置和类别，然后通过非最大抑制（NMS）处理来获取最终检测结果。网络设计考虑了检测精度和速度的平衡，特别适用于资源受限的嵌入式设备。
深度学习预训练和微调
weixin_56054625的博客
04-21 687
预训练：在大数据集上学通用特征。微调：在小数据集上调整模型以适应新任务。意义：提升小数据性能、节省资源、避免过拟合。
NLP高频面试题（五十三）——深度学习正则化详解
最新发布
WeLearnNLP
04-24 155
R1w∑i∣wi∣R1​wi∑​∣wi​∣.它会在优化过程中倾向于将许多权重压缩为零，实现稀疏化（sparsity）。稀疏模型不仅在存储和推理时更高效，也能自动完成特征选择，因为被置零的参数对应的输入特征被认为不重要。R2w∑iwi2R2​wi∑​wi2​它会使得权重均匀收缩，但很少将其精确推到零。相比 L1，L2 更强调平滑性（smoothness），防止任意一个权重过大，从而降低模型对某一维特征的过度依赖。
问题 | RAIM + LSTM 你怎么看？？？
尘世冰封的专栏
04-21 271
RAIM与LSTM结合完成完好性故障监测
深度学习前沿 | TransNeXt：仿生聚合注意力引领视觉感知新时代
weixin_52603404的博客
04-24 860
传统的点积注意力在处理不同序列长度和非线性输入时，存在数值不稳定的问题。TransNeXt 提出的 LSCA，通过对余弦相似度进行长度缩放，有效提高了模型对多尺度特征的兼容性与稳定性。公式简述其中，$Q,K$ 分别表示查询和键，$d_k$ 为向量维度，长度缩放系数 $\alpha$ 保证不同尺度下的相似度计算稳定性。H32×W32×8C的特征图。
【深度学习】#8 循环神经网络
mojin2005的博客
04-22 1201
为了进一步提高长线学习的效率，该系列从本章开始将舍弃原始教材的代码部分，专注于理论和思维的提炼，系列名也改为“深度学习”消除误导性。在学习中将理论与实践紧密结合固然有其好处，但在所学知识的广度面前，先铺垫广泛的理论基础，再根据最终实践的目标筛选出需要得到深化的理论知识可能是更有效的策略。概述卷积神经网络可以有效地处理空间信息，而循环神经网络（RNN）则可以很好地处理序列信息。循环神经网络通过引入状态变量存储过去的信息和当前的输入，从而可以确定当前的输出。音乐、语音、文本和视频都是序列信息，如果它们的序列被重
Nature Genetics | 测序技术与深度学习在 circRNA 鉴定中的应用
weixin_49214410的博客
04-24 449
circRNA 是一类广泛分布于各种生物体中的共价闭合 RNA 分子，参与的功能包括:①隔离 miRNA 和 RNA 结合蛋白（RBP）、②调控线粒体活性氧、③编码隐蔽肽段以及调节先天免疫。需要注意的是，circRNA 的环状结构赋予了其对内源性 RNA 外切酶降解的抗性，使其相较于线性 RNA 具有更加卓越的稳定性。这一稳定性优势已被用于工程化 circRNA 的多种应用，如新型冠状病毒疫苗、基因组编辑平台、RNA 编辑和 RNA 疗法。然而，circRNA 分子序列和细胞异质性的分析仍面临极大问题。
ECA 注意力机制：让你的卷积神经网络更上一层楼
qq_18943707的博客
04-21 910
是一种针对卷积神经网络设计的高效通道注意力机制。该方法通过引入一个轻量级的一维卷积层，有效提升了模型对通道信息的关注能力，同时保持了较低的计算复杂度。ECA-Net提供了一种高效、轻量的通道注意力机制，能够在不显著增加计算开销的前提下提升模型性能。无论是图像分类还是目标检测等任务，都可以通过引入ECA注意力机制来优化网络结构。它的成功也为未来注意力机制的研究提供了新的思路，即如何在有限资源下最大化信息利用率。希望这篇文章能帮助你理解并开始使用ECA-Net。如果你有任何问题或想法，请随时留言讨论！😊。
cnn 吴恩达 笔记 锚框+yolo 图像分割 +反卷积 unet+单样本学习
njsgcs的博客
04-21 203
没东西第1个参数设为0,第2-4个参数设为检测物体中心点坐标加长宽？，后几个参数是是否存在别的物体参数为0or1,输入是9个格子？yolo算法就是多了个检查是否存在的参数，输出是不相交的格子。可以对特定特征用点坐标轮廓提取。
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