分割
文章平均质量分 78
小杨小杨1
这个作者很懒,什么都没留下…
展开
-
SegNetr: 在U型网络中,重新思考局部-全局交互和跳跃连接
最近,由于其简单易调结构,U型网络已经在医学图像分割领域占据主导地位。然而,现有的U型分割网络存在以下问题:1)主要专注于设计复杂的自注意模块,以弥补基于卷积操作的长期依赖性不足,从而增加了网络的参数总数和计算复杂度;2)仅简单地融合编码器和解码器的特征,忽视了它们空间位置之间的连接。在本文中,研究重新思考了上述问题,并构建了一种轻量级的医学图像分割网络,称为SegNetr。引入了一种新颖的SegNetr块,它可以在任何阶段以及仅具有线性复杂度的情况下动态地执行局部-全局交互。原创 2024-05-15 09:23:26 · 435 阅读 · 0 评论 -
Laplacian-Former: Overcoming the Limitations of Vision Transformers in Local Texture Detection
近期研究表明,Vision Transformer(ViT)模型在各种计算机视觉任务中表现出色。然而,相较于传统的卷积神经网络(CNN)模型,ViT模型往往难以捕捉图像的高频信息,这可能限制了其对局部纹理和边缘信息的准确感知能力。鉴于人体组织中的异常情况(如肿瘤和病变)在结构、纹理和形状上存在巨大差异,因此高频信息,尤其是纹理信息,对于有效的语义分割任务至关重要。本文通过自适应地重新校准拉普拉斯金字塔中的频率信息来增强自注意力图。利用了双注意力机制,包括高效的注意力和频率注意力。原创 2024-05-13 09:44:55 · 965 阅读 · 0 评论 -
3D Medical Image Segmentation with Sparse Annotation via Cross-Teaching Between 3D and 2D Networks
背景与挑战医学图像分割通常需要大量精确标注的数据集,但像素级注释是一项耗时的任务,需要领域专家的大量努力,因此在实际临床场景中很难获得。在这种情况下,减少所需标注量是一种更实际的方法。稀疏标注是一种可行的方向,它只涉及对少量切片进行注释,并且与传统的弱标注方法(如边界框和涂鸦)相比,具有几个优点,因为它保留了精确的边界。挑战与解决方案从稀疏标注学习具有挑战性,因为监督信号稀缺。为了解决这个问题,我们提出了一个框架,可以通过跨教学的方式稳健地从稀疏标注中学习。原创 2024-05-10 11:52:00 · 440 阅读 · 0 评论 -
FocalUNETR: A Focal Transformer for Boundary-Aware Prostate Segmentation Using CT Images
该研究致力于解决CT图像中前列腺精确定位的挑战。首先,指出了CT图像的两大问题:前列腺边界不清晰和模型捕获全局上下文的局限性。为了解决这些问题,提出了一种基于焦点变换器的图像分割架构,能够同时提取局部特征和全局上下文。其次,通过设计辅助的边界诱导标签回归任务,以解决CT图像中不清晰的边界问题。代码地址。原创 2024-05-10 11:36:12 · 384 阅读 · 0 评论 -
SwinMM: Masked Multi-view with Swin Transformers for 3D Medical Image Segmentation
最近,在大规模视觉Transformer方面取得的进展显著改进了医学图像分割的预训练模型。然而,这些方法面临着一个明显的挑战,即获取大量的预训练数据,特别是在医学领域。为了解决这一限制,研究人员提出了一种新的多视图方法,名为Masked Multiview with Swin Transformers(SwinMM),用于实现准确和高效的自监督医学图像分析。该策略利用了多视图信息的潜力,包括两个主要组成部分。原创 2024-05-08 10:23:49 · 437 阅读 · 0 评论 -
DiMix: Disentangle-and-Mix Based Domain Generalizable Medical Image Segmentation论文速读
框架介绍与背景深度学习技术的迅速发展使得在各个领域都有了重大的革新,但将这项技术有效地应用到新颖和陌生的环境中仍然是一个重大挑战,尤其是在像医学这样专业和昂贵的领域。解决方案提出本文介绍了一种新颖的框架,利用基于变换器的解耦学习和样式混合来增强模型的泛化能力,使其能够在未知环境的数据集上表现良好。关键创新该框架识别出在不同领域之间不变的特征,并通过内容-样式的解耦和图像合成的结合来学习区分与领域无关的特征。原创 2024-05-06 09:56:07 · 545 阅读 · 0 评论 -
M3D-NCA: Robust 3D Segmentation with Built-In Quality Control论文速读
背景和挑战医学图像分割依赖于大型深度学习模型,但其高计算需求限制了在资源受限环境中的应用。图像领域的变化可能导致模型失效,而未检测到的错误可能会危及患者安全。方法介绍提出了M3D-NCA,一种利用神经细胞自动机(NCA)分割3D医学图像的新方法。使用n级块化对图像进行预处理。利用M3D-NCA中的差异性开发了一种新的质量度量,可自动检测NCA分割过程中的错误。实验结果M3D-NCA在海马体和前列腺分割方面比两个规模更大的UNet模型提高了2%的Dice系数。原创 2024-05-01 16:13:43 · 583 阅读 · 0 评论 -
用于稳健体积医疗分割的频域对抗训练
当务之急是确保深度学习模型在医疗保健等关键应用中的鲁棒性。虽然深度学习的最新进展提高了体积医学图像分割模型的性能,但由于这些模型容易受到对抗性攻击,因此无法立即部署到实际应用中。提出了一种用于体积医学图像分割模型的 3D 频域对抗性攻击,并展示了其相对于传统输入或体素域攻击的优势。引入了一种新的频域对抗训练方法,用于优化针对体素和频域攻击的鲁棒模型。提出了频率一致性损失来调节我们的频域对抗训练,从而在模型在干净样本和对抗样本上的性能之间实现更好的权衡。原创 2024-04-23 09:58:10 · 339 阅读 · 0 评论 -
Few Shot Medical Image Segmentation with Cross Attention Transformer论文速读
本文提出了一种基于交叉mask注意力transformer的用于小样本医学图像分离的新框架,称为CAT-Net。我提出的网络挖掘了支持图像和查询图像之间的相关性,限制它们只关注有用的前景信息,并提高了支持原型和查询特征的表示能力。进一步设计了一个迭代细化框架,该框架以迭代方式细化查询图像分割,并依次提升支持功能。代码地址。原创 2024-04-19 10:39:35 · 570 阅读 · 0 评论 -
基于大核注意力的高效鲁棒脑损伤分割
ViT是用于医学图像分割等视觉任务的有效深度学习模型。然而,与卷积神经网络(cnn)不同,它们缺乏效率和平移不变性。为了模拟三维脑损伤分割中的远程相互作用,我们提出了U-Net架构的全卷积Transformer变体。我们证明,我们的模型在三个因素中提供了最大的妥协:与最先进的性能竞争;CNN的参数效率;以及变压器有利的感应偏置代码地址。原创 2023-08-25 10:21:30 · 388 阅读 · 0 评论 -
8.18号transformer 系列文章阅读
提出了一种时空图混合器(STGM)网络,这是一种具有低内存占用的高度优化模型。我们通过利用一种新颖的注意力机制来捕获时间和空间依赖性之间的相关性来解决上述限制。具体来说,我们使用每个头具有可变视场的卷积层来捕获长短期时间依赖性。此外,我们还训练了一个估计器模型,该模型表示节点对所需预测的贡献。同时,我们使用门控机制和混合器层来进一步选择和合并不同的视角。这篇文章没有用swin transformer的滑动窗口,而是用了从小到大的patch。第一个模块就是一个是完整的,一个是稀疏的,将两个融合在一起。原创 2023-08-18 09:37:21 · 310 阅读 · 0 评论 -
2023.8.14论文阅读
本文介绍了一种快速高效的卷积神经网络ESPNet,用于资源约束下的高分辨率图像的语义分割。ESPNet基于一种新的卷积模块——高效空间金字塔(ESP),它在计算、内存和功耗方面都是高效的。ESPNet比最先进的语义分割网络PSPNet快22倍(在标准GPU上),小180倍[1],而其分类准确率仅低8%。我们在多种语义分割数据集上对ESPNet进行了评估,包括cityscape、PASCAL VOC和乳腺活检整张幻灯片图像数据集。代码地址Lidars和摄像头是自动驾驶中为三维检测提供补充信息的关键传感器。原创 2023-08-14 09:30:12 · 1292 阅读 · 0 评论 -
用HARU-Net增强核分割:一种基于混合注意的残差u块网络
核图像分割是分析、病理诊断和分类的关键步骤,核图像分割的质量在很大程度上取决于核图像分割的质量。然而,诸如细胞核大小变化、细胞核轮廓模糊、染色不均匀、细胞聚集和细胞重叠等问题的复杂性提出了重大挑战。目前的核分割方法主要依赖于核形态学或基于轮廓的方法。基于核形态的方法泛化能力有限,难以有效预测不规则形状的核,而基于轮廓的提取方法在准确分割重叠核方面面临挑战。为了解决上述问题,我们提出了一种双分支网络,使用基于混合注意力的残差u块进行核实例分割。该网络同时预测目标信息和目标轮廓。原创 2023-08-13 16:15:10 · 254 阅读 · 0 评论 -
2023.8.12号论文阅读
轻度认知障碍(MCI)转化为阿尔茨海默病(AD)的预测对于早期治疗以预防或减缓AD的进展非常重要。为了准确预测MCI向稳定MCI或渐进式MCI的转换,我们提出了TriFormer,这是一种基于Transformer的新型框架,具有三个专用Transformer来整合多模态数据。图像Transformer从医学扫描中提取多视图图像特征临床Transformer嵌入和关联多模态临床数据模态融合Transformer,基于融合图像和临床Transformer的输出产生准确的预测。原创 2023-08-12 18:20:31 · 898 阅读 · 0 评论 -
多模态图像融合的相关驱动双分支特征分解
多模态图像融合的目的是使融合后的图像保持不同模态的优点,如功能高光和细节纹理。为了解决跨模态特征建模和分解所需模态特定特征和模态共享特征的挑战,我们提出了一种新的关联驱动特征分解融合(CDDFuse)网络。首先,使用Restormer块提取跨模态浅层特征。然后,引入了一种双支路transformer- cnn特征提取器,其中Lite Transformer (LT)块利用远程注意力处理低频全局特征,而Invertible Neural Networks (INN)块专注于提取高频局部信息。原创 2023-08-11 10:58:52 · 516 阅读 · 0 评论 -
8.10论文阅读
基于磁共振成像(MRI)的多模态胶质瘤图像提供了肿瘤边界的不同特征,其中多模态特征的提取对于深度学习分割方法来说往往具有挑战性。不同模态特征之间的干扰是制约多模态学习的重要因素。为了有效地提取多模态特征,我们提出了一种自动加权扩张卷积网络(AD-Net),通过通道特征分离学习来学习多模态脑肿瘤特征。其中,自加权扩张卷积单元(AD单元)利用双尺度卷积特征映射获取信道分离特征。我们在编码层中采用两个可学习参数融合双尺度卷积特征映射,并随着梯度的反向传播自动调整两个可学习参数。原创 2023-08-10 21:17:17 · 1972 阅读 · 0 评论 -
2023.8.7论文阅读
u型结构已成为医学图像分割网络设计的一个重要范例。然而,由于卷积固有的局部局限性,具有u型结构的全卷积分割网络难以有效地提取全局上下文信息,而这对于病灶的精确定位至关重要。虽然结合cnn和transformer的混合架构可以解决这些问题,但由于环境和边缘设备施加的计算资源限制,它们在真实医疗场景中的应用受到限制。此外,轻量级网络中的卷积感应偏置能很好地拟合稀缺的医疗数据,这是基于Transformer的网络所缺乏的。原创 2023-08-07 11:01:23 · 1816 阅读 · 2 评论 -
EGE-UNet:一种有效的组增强UNet皮肤病变分割方法
Transformer及其变体在医学图像分割中有着广泛的应用。然而,这些模型的大量参数和计算量使其不适合移动医疗应用。为了解决这个问题,我们提出了一种更有效的方法,即高效增强UNet (EGE-UNet)。我们以轻量级的方式集成了一个组的多轴Hadamard注意力模块(GHPA)和一个组聚合桥接模块(GAB)。GHPA对输入特征进行分组,并在不同轴上执行Hadamard注意机制(HPA),从不同角度提取病理信息。GAB通过分组低阶特征、高阶特征和解码器在每个阶段生成的掩码,有效地融合了多尺度信息。原创 2023-07-31 09:50:54 · 1800 阅读 · 0 评论 -
RepViT:从ViT的角度重新审视mobile CNN
近年来,与轻量级卷积神经网络(cnn)相比,轻量级视觉变压器(ViTs)在资源受限的移动设备上表现出了更高的性能和更低的延迟。这种改进通常归功于多头自注意模块,它使模型能够学习全局表示。然而,轻量级vit和轻量级cnn之间的架构差异还没有得到充分的研究。在这项研究中,我们重新审视了轻量级cnn的高效设计,并强调了它们在移动设备上的潜力。通过集成轻量级vit的高效架构选择,我们逐步增强了标准轻量级CNN的移动友好性,特别是MobileNetV3。这就产生了一个新的纯轻量级cnn家族,即RepViT。原创 2023-07-22 18:21:25 · 2312 阅读 · 2 评论 -
SegNeXt:重新思考卷积注意设计的语义分割
提出了SegNeXt,一个用于语义分割的简单卷积网络架构。近年来,基于变换的语义分割模型由于其在空间信息编码中的自注意性而在语义分割领域占据主导地位。在本文中,我们证明了卷积注意是一种比自注意机制更有效的编码上下文信息的方法。通过重新研究成功的分割模型所具有的特征,我们发现了导致分割模型性能提高的几个关键因素。这促使我们设计一种新颖的卷积注意力网络,使用廉价的卷积运算。没有花哨的东西,我们的SegNeXt在流行的基准测试中显著提高了以前最先进的方法的性能。原创 2023-07-21 17:52:03 · 252 阅读 · 0 评论 -
基于互一致性学习的半监督医学图像分割
提出了一种新的互一致性网络(MC-Net+)来有效地利用未标记数据进行半监督医学图像分割。MC-Net+模型的动机是观察到用有限注释训练的深度模型容易在医学图像分割的模糊区域(例如粘附边缘或细分支)输出高度不确定和容易误分类的预测。该模型包含一个共享编码器和多个略有不同的解码器(即使用不同的上采样策略)。计算多个解码器输出的统计差异来表示模型的不确定性,即未标记的硬区域。其次,我们在一个解码器的概率输出和其他解码器的软伪标签之间应用了一种新的相互一致性约束。原创 2023-07-17 11:46:41 · 600 阅读 · 0 评论 -
医学图像分割的全卷积transformer
我们提出了一种新的Transformer ,能够分割不同模式的医学图像。医学图像分析的细粒度特性所带来的挑战意味着Transformer 对其分析的适应仍处于初级阶段。UNet的巨大成功在于它能够理解分割任务的细粒度性质,这是现有的基于变压器的模型目前所不具备的能力。为了解决这个缺点,我们提出了全卷积Transformer (FCT),它建立在卷积神经网络学习有效图像表示的成熟能力之上,并将它们与Transformer 有效捕获其输入中的长期依赖关系的能力相结合。原创 2023-07-05 09:59:36 · 1643 阅读 · 0 评论 -
医学图像超分辨率的多模态不同核大小的多头卷积注意
超分辨率医学图像可以帮助医生提供更准确的诊断。在许多情况下,计算机断层扫描(CT)或磁共振成像(MRI)技术在一次检查中捕获多个扫描(模式),这些扫描(模式)可以联合使用(以多模式方式)以进一步提高超分辨率结果的质量。本文方法提出了一种新的多模态多头卷积注意模块来超分辨CT和MRI扫描注意力模块使用卷积运算对多个连接的输入张量执行联合空间通道注意,其中核(接受场)大小分别控制空间注意的减少率,卷积滤波器的数量分别控制通道注意的减少率。原创 2023-07-04 10:34:50 · 495 阅读 · 0 评论 -
MedViT:一种用于广义医学图像分类的鲁棒Vision Transformer
卷积神经网络(cnn)在现有医疗系统的自动疾病诊断方面取得了进步。然而,由于不准确的诊断可能会导致安全领域的灾难性后果,因此仍然存在对深度医疗诊断系统抵御对抗性攻击潜在威胁的可靠性的担忧。本文方法提出了一个高度鲁棒且高效的CNN-Transformer混合模型,该模型具有cnn的局域性以及视觉transformer的全局连通性。为了缓解自注意机制在共同关注不同表示子空间信息时的高二次复杂度,我们采用高效的卷积运算来构建自注意机制。原创 2023-06-24 20:08:26 · 1098 阅读 · 0 评论 -
正交标注有利于无监督医学图像分割
半监督学习的最新趋势显著提高了3D半监督医学图像分割的性能。与2D图像相比,3D医学体积涉及来自不同方向的信息,例如横向、矢状面和冠状面,从而自然地提供互补的视图。这些互补的视图和相邻3D切片之间的内在相似性启发我们开发一种新的注释方式及其相应的半监督模型来进行有效分割。本文方法提出了正交标注,只标注一个标注体积中的两个正交切片,这大大减轻了标注的负担然后执行配准以获得稀疏标记卷的初始伪标签。原创 2023-06-16 10:21:16 · 730 阅读 · 0 评论 -
丰富上下文的超高分辨率分割:一种新的基准
数据随着人们对超高分辨率(UHR)分割方法的兴趣不断增加和快速发展,迫切需要一个覆盖广泛场景并具有全细粒度密集注释的大规模基准来促进该领域的发展。为此,引入了URUR数据集,即具有超丰富上下文的超高分辨率数据集。顾名思义,URUR包含大量分辨率足够高的图像(3008张5120×5120大小的图像)、广泛的复杂场景(来自63个城市)、足够丰富的上下文(100万个实例,8个类别)和细粒度注释(约800亿个手动注释像素),这远远优于包括DeepGlobe、Inria Aerial、UDD,模型。原创 2023-06-10 20:45:35 · 1843 阅读 · 2 评论 -
Patcher:用于精确医学图像分割的混合专家patch Transformers
提出了一种新的编码器-解码器视觉转换器架构,Patcher,用于医学图像分割与标准的视觉Transformers 不同,它采用了Patcher块,将图像分割成大的补丁,每个补丁又被进一步划分成小的补丁Transformers 被应用于大Patch 中的小Patch ,这限制了每个像素的感受野使大的Patch 重叠,以增强Patch 内的通信编码器采用具有增加感受野的Patcher块级联来提取从局部到全局水平的特征。原创 2023-05-30 12:20:27 · 1157 阅读 · 0 评论 -
基于上下文折扣的多模态医学图像分割证据融合
由于信息源通常是不完美的,因此在多源信息融合任务中有必要考虑其可靠性。本文方法提出了一个新的深度框架,使用Dempster-Shafer理论的形式合并多MR图像分割结果,同时考虑不同模态相对于不同类别的可靠性。该框架由编码器-解码器特征提取模块、证据分割模块和多模态证据融合模块组成,前者为每个模态计算每个体素的置信函数,后者为每个模态证据分配贴现率向量,使用Dempster规则组合贴现证据。通过最小化基于折扣Dice指数的新损失函数来训练整个框架,以提高分割的准确性和可靠性代码地址。原创 2023-05-25 21:07:35 · 982 阅读 · 1 评论 -
DeepPyramid:在白内障手术视频中实现金字塔视图和可变形金字塔接收的语义分割
本文提出了一种称为DeepPyramid的语义分割网络,该网络可以使用三个新颖性来应对这些挑战:(1)金字塔视图融合模块,该模块提供以输入卷积特征图中的每个像素位置为中心的周围区域的多种角度全局视图;(2) 可变形金字塔接收模块,其使得能够适应感兴趣对象中的几何变换的宽的可变形感受野成为可能;(3)自适应地监督多尺度语义特征图的专用金字塔损失这些模块可以有效地提高语义分割性能,特别是在对象具有透明性、可变形性、可扩展性和钝边的情况下代码地址。原创 2023-05-24 12:22:24 · 577 阅读 · 0 评论 -
PHTrans:用于医学图像分割的并行聚合全局和局部表示
本文提出了一种新的混合医学图像分割架构PHTrans,它在主要构建块中并行混合Transformer和CNN,从全局和局部特征中产生分层表示,并自适应地聚合它们,旨在充分利用它们的优势,获得更好的分割性能。PHTrans遵循了U形编码器-解码器的设计,并在深层阶段引入了并行hybird模块,其中卷积块和修改的3D Swin Transformer分别学习局部特征和全局依赖性,然后序列到体积的操作统一了输出的维度,以实现特征聚合。代码地址。原创 2023-05-23 09:39:42 · 391 阅读 · 0 评论 -
一种用于精确三维肿瘤分割的鲁棒体积Transformer
提出了一种用于体积分割的Transformer架构,这是一项具有挑战性的任务,需要在编码局部和全局空间线索时保持复杂的平衡,并沿体积的所有轴保留信息。所提出的设计的编码器得益于自注意机制,可以同时对局部和全局线索进行编码,而解码器则采用并行的自注意和交叉注意公式来捕捉精细细节以进行边界细化。代码地址。原创 2023-05-21 15:24:30 · 181 阅读 · 0 评论 -
NestedFormer:用于脑肿瘤分割的嵌套模态感知Transformer
背景多模式MR成像通过提供丰富的互补信息,在临床实践中被常规用于诊断和研究脑肿瘤。先前的多模态MRI分割方法通常通过在网络的早期/中期连接多模态MRI来执行模态融合,这几乎没有探索模态之间的非线性相关性。本文方法提出了一种新的嵌套模态感知转换器(NestedFormer),以明确探索用于脑肿瘤分割的多模态MRI的模态内和模态间关系。基于Transformer的多编码器和单解码器结构,我们对不同模态的高级表示执行嵌套多模态融合,并在较低尺度上应用模态敏感门控(MSG)以获得更有效的跳过连接。原创 2023-05-19 12:51:25 · 700 阅读 · 0 评论 -
基于对比学习的多模态脑肿瘤分割与单模态正常脑图像的特征比较
已经提出了许多基于深度学习(DL)的脑肿瘤分割方法。他们大多强调阐述深度网络的内部结构,以增强学习肿瘤相关特征的能力,而其他有价值的相关信息,如正常的大脑外观,往往被忽视。受放射科医生在识别肿瘤区域时经常被训练与正常组织进行比较这一事实的启发本文提出了一种新的脑肿瘤分割框架,通过采用正常脑图像作为参考,在学习的特征空间中与肿瘤脑图像进行比较。通过这种方式,可以突出和增强肿瘤相关的特征,以实现精确的肿瘤分割。原创 2023-05-19 12:23:40 · 342 阅读 · 0 评论 -
mmFormer:用于脑肿瘤分割的不完全多模态学习的多模态医学Transformer
背景从磁共振成像(MRI)中精确分割脑肿瘤对于多模态图像的联合学习是可取的。然而,在临床实践中,并不总是能够获得一套完整的MRI,并且缺失模式的问题导致现有多模式分割方法的性能严重下降。本文方法首次尝试利用Transformer进行多模态脑肿瘤分割,该分割对任何可用模态的组合子集都是鲁棒的。提出了一种新的多模态医学转换器(mmFormer),用于不完全多模态学习三个主要组件:桥接卷积编码器和模态内转换器的混合模态专用编码器,用于在每个模态内进行局部和全局上下文建模;原创 2023-05-18 11:22:08 · 1166 阅读 · 0 评论 -
基于相似加权自组装框架的低质量少样本MRI脑卒中病变分割
背景缺血性脑卒中是中低收入国家死亡率最高的常见疾病之一。尽管基于深度学习的分割方法在改善这些国家的医疗资源失衡和降低中风风险方面具有巨大潜力,现有的分割研究很难在这些低资源的环境中部署,因为它们对数据量(大量拍摄)和质量(高场和高分辨率)有很高的要求,而这些国家通常无法获得。本文方法提出了一个加权相似性的自集成框架(SIGN)通过利用公开的神经胶质瘤数据,从低质量和少样本的MRI数据中分割中风病变。为了克服低质量的挑战,利用注意力机制从全局角度识别病变,并通过关注模糊区域逐步细化粗略预测代码地址。原创 2023-05-18 10:40:45 · 439 阅读 · 0 评论 -
组织学图像弱监督腺体分割的在线简易示例挖掘
背景开发AI辅助的组织学图像腺体分割方法对癌症的自动诊断和预后至关重要;然而,像素级注释的高成本阻碍了其在更广泛的疾病中的应用。计算机视觉中现有的弱监督语义分割方法在腺体分割中取得了退化的结果,因为腺体数据集的特征和问题不同于一般的对象数据集。我们观察到,与自然图像不同,组织学图像的关键问题是由于不同组织之间的形态学同质性和低颜色对比度而导致的分类混乱。方法提出了一种新的在线简易示例挖掘(OEEM)方法,该方法鼓励网络关注可信的监督信号,而不是噪声信号,从而减轻伪掩码中不可避免的错误预测的影响。原创 2023-05-12 10:48:40 · 579 阅读 · 0 评论 -
HCT:深度是我们没有的奢侈品
医学图像具有高分辨率。高分辨率对于早期发现恶性组织至关重要。然而,这一解决方案在建模长期依赖性方面提出了挑战。浅层transformers消除了这个问题,但它们具有二次复杂性。在本文中,通过利用线性自注意近似来解决这种复杂性。通过这种近似,我们提出了一种高效的视觉模型,称为HCT,代表高分辨率卷积Transformer。HCT以显著更低的成本将transformers的优点应用于高分辨率图像。使用高分辨率乳房X光摄影数据集评估HCT。HCT明显优于CNN。原创 2023-05-07 14:11:58 · 493 阅读 · 0 评论 -
Y-Net:一种用于医学图像分割的空间光谱双编码网络
Y-Net:我们提出的网络有两个分支,一个用于处理类似于先前工作的空间特征,另一个用于提取光谱特征。频谱编码器具有四个FFC块,其获得局部和全局特征xl、xg作为输入,并生成处理后的特征。傅立叶单元:在这里,将快速傅立叶变换,然后是conv层,应用于特征以获得频域特征。最后,使用逆FFT将处理后的特征带回空间域。FFC块:FFC块使用Conv2D层处理局部特征,并使用谱范数处理全局特征。谱范数:全局信息被分为两部分,这两部分被馈送到傅立叶单元。这里只看整个网络前向传播代码。原创 2023-05-04 15:42:57 · 994 阅读 · 0 评论 -
DA-Net:用于视网膜血管分割的双分支Transformer和自适应条带上采样
目前的视网膜血管分割方法根据输入类型大致分为图像级和patch级方法,但每种方法都有自己的优缺点。为了从这两种输入形式中获益,我们引入了一种双分支变换器模块(DBTM),它可以同时充分享受patch级别的局部信息和图像级别的全局上下文。此外,视网膜血管长而细,呈条状分布,这使得经典卷积神经网络的方核是错误的,因为它只适用于大多数体积形状的自然物体。为了更好地捕捉上下文信息,我们进一步设计了自适应Strip上采样块(ASUB),以适应视网膜血管的条带分布。原创 2023-05-04 15:11:47 · 1203 阅读 · 1 评论