医学图像分割
文章平均质量分 94
通街市密人有
https://github.com/LinY-ct
展开
-
Revitalizing MLP’s Ability to Efficiently Extract Long-Distance Dependencies for Medical Image
基于深度学习网络的医学图像分割方法主要分为CNN和Transformer。然而,CNN很难捕获长距离依赖关系,而Transformer的计算复杂度高,局部特征学习能力差。为了有效地提取和融合局部特征和远程依赖关系,本文提出了一种结合MLP的CNN模型Rolling-Unet。具体来说,我们提出了核心R-MLP模块,该模块负责学习整个图像在单一方向上的长距离依赖关系。通过对不同方向的R-MLP模块进行控制和组合,形成OR-MLP和DOR-MLP模块,以捕获多方向的远程依赖关系。原创 2024-05-08 18:24:46 · 1025 阅读 · 0 评论 -
VM-UNet: Vision Mamba UNet for Medical Image Segmentation
在医学图像分割领域,基于CNN和基于Transformer的模型都得到了广泛的探索。然而,CNN在远程建模能力方面表现出局限性,而Transformer则受到二次计算复杂性的阻碍。最近,以Mamba为例的状态空间模型(SSM)作为一种很有前途的方法出现了。它们不仅在远程相互作用建模方面表现优异,而且保持了线性计算复杂度。本文利用状态空间模型,提出了一种用于医学图像分割的U-shaped架构模型,命名为视觉Mamba UNet (VM-UNet)。原创 2024-02-23 19:56:49 · 2805 阅读 · 0 评论 -
Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains
在计算机断层扫描(CT)过程中,患者体内的金属植入物通常会导致重建图像中的破坏性伪影,从而阻碍准确诊断。许多基于监督深度学习的方法被提出用于金属伪影还原(MAR)。然而,这些方法依赖于大量的模拟数据训练,因为在临床环境中获得配对的金属伪影CT和干净CT数据是具有挑战性的。这一限制可能导致在临床实践中应用时性能下降。现有有效的无监督MAR方法,无论是否基于学习,通常都是在图像域或弦图域进行单域处理。在本文中,我们引入了一种基于扩散模型的无监督MAR方法,扩散模型是一种具有强大表示数据分布能力的生成模型。原创 2023-09-26 16:29:48 · 1048 阅读 · 0 评论 -
SSHNN: SEMI-SUPERVISED HYBRID NAS NETWORK FOR ECHOCARDIOGRAPHIC IMAGE SEGMENTATION
准确的医学图像分割,特别是对于含有不可忽略噪声的超声心动图图像,需要精心设计网络。与手工设计相比,Neural Architecture Search (NAS)由于搜索空间更大、自动优化,实现了更好的分割效果,但现有的大多数方法在分层特征聚合方面较弱,采用“强编码器、弱解码器”的结构,不足以处理全局关系和局部细节。为了解决这些问题,我们提出了一种新的半监督混合NAS网络,用于精确的医学图像分割,称为SSHNN。原创 2023-09-19 18:19:29 · 119 阅读 · 0 评论 -
NAS-Unet Neural Architecture Search for Medical Image Segmentation
神经架构搜索(NAS)在提高图像分类精度方面取得了重大进展。近年来,一些研究尝试将NAS扩展到图像分割中,显示出初步的可行性。然而,它们都集中在自然场景中搜索语义分割的体系结构。本文在搜索空间上设计了三种类型的原语操作集,用于语义图像分割,特别是医学图像分割中自动找到DownSC和UpSC两种cell结构。受U-net架构及其变体成功应用于各种医学图像分割的启发,我们提出了在类似u的骨干网上由相同数量的DownSC和UpSC堆叠的NAS-Unet。原创 2023-05-30 20:41:17 · 1093 阅读 · 2 评论