深度学习论文: U-Net and its variants for Medical Image Segmentation : A short review

已于 2022-04-24 14:59:03 修改
阅读量2.8k 收藏 8
点赞数
分类专栏： Deep Learning Paper Reading Semantic Segmentation 文章标签： 深度学习 人工智能 机器学习
于 2022-04-24 10:57:18 首次发布
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/shanglianlm/article/details/124377391
版权

深度学习论文: U-Net and its variants for Medical Image Segmentation : A short review
U-Net and its variants for Medical Image Segmentation : A short review
PDF: https://arxiv.org/pdf/2204.08470v1.pdf
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

1 U-Net 2015

U-Net适用于医学图像处理的主要原因是在训练数据较少的情况下还能取得不错的性能。

U-Net网络的关键结构就是以下三个部分：

  • 下采样
  • 上采样
  • skip-connection

在这里插入图片描述

Unet: Convolutional networks for biomedical image segmentation

2 U-Net++ 2019

U-NET++网络是为了解决医学图像分割的精确性问题，从而提出的一种新的基于嵌套密集跳跃连接的分割体系结构。改变了原始U-Net网络层数，重新设计原网络中的跳跃连接，添加深度监督对不同分割任务剪枝到合适的网络，达到很好的分割效果。
在这里插入图片描述

UNet++: A Nested U-Net Architecture for Medical Image Segmentation

3 R2U-Net 2018

R2U-Net把RNN和ResNet的结构整合到了encoder-decoder结构里，实验效果很好。
在这里插入图片描述

Recurrent Residual Convolutional Neural Network based on U-Net (R2U-Net) for Medical Image Segmentation

4 Attention U-Net 2018

Attention U-Net将注意力机制应用于UNet分割网络中，可以比较好的实现对显著性区域的关注，以及对无关背景区域的抑制。
在这里插入图片描述
Attention U-Net: Learning Where to Look for the Pancreas

5 Trans U-Net 2021

Trans U-Net在encoder结构上运用 了transformer可以提取更好的特征。
在这里插入图片描述
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

mingo_敏
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
A Kernel Clustering Algorithm With Fuzzy Factor: Application to SAR Image Segmentation
02-09
Although a fuzzy C-means (FCM) algorithm and its variants (e.g., the FCM_S, the fast generalized FCM, the fuzzy local information C-means, etc.) can achieve satisfactory segmentation results and are ...
典型相关分析matlab实现代码-Canonical-Correlation-and-its-Variants:该存储库包含规范相关性及其变体
05-20
典型相关分析matlab实现代码
论文解析[3] U-Net and its variants for Medical Image Segmentation : A short review
默的博客
09-24 979
论文解析，本论文是一篇使用U-Net及其变形进行医学图像分割的简短综述，文中给出了关于医学图像分割逐步发展的俯瞰图，也讨论了深度神经网络的挑战和成功。在本文的最后我们将会看到医学图像分割（medical image segmentation，MIS）目前的挑战和未来的方向。
【UNet++】UNet++到底在做什么？
qq_54432917的博客
04-29 1119
从U-Net开始，了解U-Net的背景，然后通过问题去引导大家思考，一步一步的引出U-Net++，又不断通过对比来向大家阐述了U-Net++对比于U-Net的优势
语义分割3：U-Net++学习总结
最新发布
m0_73954489的博客
04-10 615
xij是节点Xij的输出，i是沿着编码器下采样层的索引，j是密集块沿着跳跃路径的卷积层索引。H（·）是跟随一个激活函数的卷积操作，u（·）是上采样层，[ ]是连接层。
U-Net++
weixin_46720482的博客
06-13 1709
U-Net++是亚利桑那州立大学在读博士生周纵苇于2018年发表的论文，是以U-Net为基础进行魔改的网络结构，结构相当之有趣。 为了减少语义差别，U-Net++在U-Net的直接连接的基础之上增加了类似于Dense结构的卷积层，并融合了下一阶段卷积的特征。在每个阶段都应用于上述策略，则可以得到完整的U-Net++结构。多分支网络，每个分支都有其对应的loss函数，然后全局的loss由分支的损失函数加权累加而成。而完整的U-Net++网络中的loss就是将以上四个小网络的loss进行叠加。这样等同于同时训练
TransUNet
热门推荐
zjiafbaodaozmj的博客
07-24 2万+
github：https://github.com/Beckschen/TransUNet TransU-net就是transformer+U-net 且整体的网络架构还是U-net，只有在encoder结构上运用 了transformer的encoder结构，这样可以提取更好的特征。 因为CNN受感受野的缘故，始终不能很好地利用全局信息，或者说需要很多层后才能得到抽象的全局信息，但CNN对局部细节信息可以很好地提取。 transformer网络由于具有self-attention结构，所以对于全局信息的提
论文学习：U-Net++
h1239757443的博客
09-07 2599
U-Net++: ​ 一种基于嵌套和密集跳跃连接的新分割体系结构，这种设计的跳跃连接降低编码和解码子网络的特征图之间的间隙，这个分割体系结构基于这样的假设：当将来自编码器网络的高分辨率特征图与来自解码器网络的对应语义丰富的特征图进行融合之前，逐渐丰富模型时，该模型可以有效的捕捉到前景对象的细粒度细节，当来自解码器和编码器网络的特征映射在语义上相似时，网络将处理更容易的学习任务。 基于U-net改进的一种网络 其改进思路如下： 1.为什么降到X(4,0)才开始上采样 对于不同深度的U-net表
Modality specific U-Net variants for biomedical image segmentat
09-23
Modality specific U-Net variants for biomedical image segmentation A survey.zip
（学习笔记）U-net++代码解读
羊羊羊
10-11 726
u-net++学习笔记，适合初学者小白
【分割】U-Net++
可乐大牛的博客
06-02 881
以往的分割模型比如U-Net和FCN效果都很好，其中一个原因就是使用了skip-connection，但是他们使用skip-connection的时候都是直接将浅层和深层的不同语义级别的特征进行的融合。 本文基于这样一种假设：语义接近的特征层进行融合会使得优化器更容易优化网络，并且提高网络对于细粒度特征的捕捉。提出了一种新的skip-connection的技术，即使用重叠的稠密卷积代替粗暴的特征融合，同时引入深度监督，获得精度和速度的权衡。这个结构本来的作用是融合浅层细粒度的信息与深层高语义级别的特征，并且
[论文解读]U-Net+与FCN的区别+医学表现+网络详解+创新
程序客栈
05-20 1万+
前半部分作用是特征提取，后半部分是上采样,在一些文献中也把这样的结构叫做编码器-解码器结构,由于此网络整体结构类似于大写的英文字母U，故得名U-net。 ...
U-Net++（Redesigning Skip Connections to ExploitMultiscale Features in Image Segmentation）论文详解
Keep_Trying_Go的博客
08-12 1757
U-Net++（Redesigning Skip Connections to ExploitMultiscale Features in Image Segmentation）论文详解
学习笔记4--U-net，U-net++，U-net+++网络
little_girl_boy的博客
04-09 1065
由于U-net中Encoder和Decoder网络的特征层是通过长连接直接相连的，会产生语义鸿沟（Encoder网络的特征层是通过下采样提取出的低级特征，而Decoder网络的特征层是高级特征经过上采样所得，当它们进行特征图像叠加的时候，由于不是一个尺度的特征，会造成图像的细节丢失）下采样是必要的，因为它的主要作用是增加对输入图像的一些小扰动的鲁棒性，比如图像平移，旋转等，减少过拟合的风险，降低运算量，和增加感受野的大小。每层的特征图是一个拼接的操作，那么96*96的两个特征图，拼接起来还是96*96吗？
U-Net网络变形综述
charles_zhang_的博客
04-21 7367
U-Net网络变形综述 U-Net and its variants for Medical Image Segmentation : A short review Abstract 本文简要回顾了U-Net及其变体在医学图像分割中的应用。据我们所知，对任何一位临床医生，无论是放射科医生还是病理学家来说，检查医学图像都不是一件容易的工作。分析医学图像是进行无创诊断的唯一方法。分割感兴趣区域在医学图像中具有重要意义，是诊断的关键。本文还对医学图像分割的发展进行了鸟瞰。还讨论了深层神经结构的挑战和成功。以下是不
【论文研读】【医学图像】【R2UNet】Recurrent residual U-Net for medical image segmentation
qq_40690815的博客
11-28 4939
【R2UNet】提出了recurrent UNet 和 recurrent residual UNet，把UNet的部分卷积模块换成了recurrent / residual conv Layer（卷积Xt与Xt-1、多层串联卷积输出与初始输入合并），并在视网膜血管、皮肤、肺分割数据集上较之普通UNet取得了提高。
MIXED TRANSFORMER U-NET FOR MEDICAL IMAGE SEGMENTATION（医学图像分割）
weixin_43435855的博客
03-01 3471
目录 ABSTRACT 1. INTRODUCTION 2.METHODS 2.1 网络整体结构 2.2Mixed Transformer Module（MTM模块） 2.3 Local-Global Gaussian-Weighted Self-Attention Local-Global Self-Attention Gaussian-Weighted Axial Attention External Attention ...
The consumer was configured to find a runtime of a component compatible with Java 11, packaged as a jar, and its dependencies declared externally. However we cannot choose between the following variants of org.jetbrains.kotlin:kotlin-gradle-plugin:1.7.0:
06-10
This error message indicates that there is a conflict between different variants of the `org.jetbrains.kotlin:kotlin-gradle-plugin:1.7.0` dependency that your project is trying to use. The consumer was configured to find a runtime of a component compatible with Java 11, packaged as a jar, and its dependencies declared externally, but it cannot choose between the available variants of the dependency. To resolve this issue, you can try the following steps: - Check if your project is explicitly declaring a version of the `org.jetbrains.kotlin:kotlin-gradle-plugin` dependency that conflicts with the version required by the consumer (in this case, Java 11). If so, try updating the project to use the correct version of the dependency. - If the above step does not work, you can try adding a resolution strategy to your build script to force Gradle to choose the correct variant of the dependency. For example, you can add the following code to your `build.gradle` file: ``` configurations.all { resolutionStrategy { eachDependency { DependencyResolveDetails details -> if (details.requested.group == 'org.jetbrains.kotlin' && details.requested.name == 'kotlin-gradle-plugin' && details.requested.version == '1.7.0') { details.useVersion('1.7.0') } } } } ``` This code tells Gradle to use version `1.7.0` of the `org.jetbrains.kotlin:kotlin-gradle-plugin` dependency whenever it is required, regardless of any conflicting versions that may be present. If neither of these steps work, you may need to investigate further to find the root cause of the conflict.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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