9.论文学习Attention Unet++: A Nested Attention-Aware U-Net for Liver CT Image Segmentation

最新推荐文章于 2025-10-10 11:30:01 发布
原创 最新推荐文章于 2025-10-10 11:30:01 发布 · 3.3k 阅读 · 27 ·
CC 4.0 BY-SA版权
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。
文章标签：

#学习 #深度学习 #人工智能

目录

论文地址：https://ieeexplore.ieee.org/document/9190761

背景

  • 肝癌是癌症死亡的主要原因，肝脏位置的确定是诊断的一个准备步骤。
  • 关于肝脏分割的研究可以分为两类：(1)手动和半自动分割；(2)自动分词。
      首先人工分割很大程度上依赖于专家，费时且容易出错。半自动分割仍然需要人工干预，这会导致偏差和错误。
  • 医学图像分割中常用的模型是U-Net和FCN的变体。这些方法通常将分割任务分为两个步骤：定位和分割。
      额外的定位步骤将增加模型参数的数量，带来额外的时间消耗。模型分割的精度很大程度上依赖于第一步定位的精度。
  • 嵌套的UNet架构：UNet++是最具代表性的基于UNet的分割架构之一。UNet++与UNet的区别在于前者重新设计了编码器和解码器之间不同层次的密集跳过连接，并使用了嵌套卷积块。
      UNet++中的每个嵌套卷积块通过多个卷积层提取语义信息，并且块中的每个卷积层通过密集的跳过连接连接，使得连接层可以融合不同层次的语义信息。
  • 注意门(Attention Gate,AG)：注意机制最早出现在自然语言处理(NLP)中，首次将注意机制引入计算机视觉的是何凯明团队提出的Non-local。为了关注与目标器官相关的位置，我们参考PASSRnet提出的方法，在网络架构中添加一个简单但有效的注意力门。

我们提出了一个嵌套的注意感知分割网络，命名为Attention UNet++，具有增加目标区域权重的能力，同时抑制与分割任务无关的背景区域。

架构

最低0.47元/天 解锁文章
论文阅读总结：UNet++: A Nested U-Net Architecture for Medical Image Segmentation
小饼干的博客
09-17 1181
UNet++: A Nested U-Net Architecture for Medical Image Segmentation 这是目录UNet++: A Nested U-Net Architecture for Medical Image Segmentation摘要：问题的提出：Related Work网络结构：UNet++总结摘要：问题提出：Related Work网络结构：UNet++总结 摘要： 问题的提出： Related Work 网络结构：UNet++ 总结 摘要： 提出了适用于
UNet++: A Nested U-Net Architecture for Medical Image Segmentation
duanyuwangyuyan的博客
01-01 1419
UNet++: A Nested U-Net Architecture for Medical Image Segmentation0、摘要论文特点1、U-Net++网络结构二级目录三级目录 0、摘要论文特点 网络特点 深度监督的编解码网络。通过一系列嵌套、密集的跳跃路径连接。 缘由 使用跳跃路径，为了降低语义差异：编解码子网络间的特征图。 评价对比 从以下四方面的分割任务，和U-Net以及宽泛U-Net结构进行对比。 1 ) 胸部低剂量造影CT扫描的结节分割； 2）显微镜图像下的细胞核分割； 3）腹部
各种用于图像分割的Unet模型的实现-Unet，RCNN-Unet，Attention Unet，RCNN-Attention Unet，嵌套Unet-Python开发
05-25
各种Unet模型用于图像分割的实现-Unet，RCNN-Unet，注意力Unet，RCNN-Attention Unet，嵌套式Unet细分Unet细分-Pytorch-Nest-of-Unets各种Unet模型用于图像分割的实现UNet- U-Net：用于生物医学图像分割的卷积网络https://arxiv.org/abs/1505.04597 RCNN-UNet-基于U-Net的递归残差卷积神经网络（R2U-Net）用于医学图像分割https：// arxiv。 org / abs / 1802.06955 Attention Unet-Attention U-Net：学习在哪里寻找胰腺https://arxiv.org/abs/1804.03999 RCNN-Attentio
论文阅读----------UNET++：用于肝脏 CT 图像的嵌套注意感知 U-NET分割
weixin_45241355的博客
06-28 2762
摘要 在本文中，我们提出了一个嵌套的注意力感知分割网络，名为 Attention UNet++。 我们提出的方法具有深度监督的编码器-解码器架构和重新设计的密集跳过连接。 注意 UNet++在嵌套卷积块之间引入注意力机制，以便在不同级别提取的特征可以与任务相关的选择合并。 此外，由于 引入深度监督，预测速度修剪网络的速度以适度的代价加速性能下降。 1.引言 为了解决对医学图像中更准确的分割结果的需求，并受到启发注意力机制，我们提出了注意力 UNet++，一种基于嵌套 ...
AtentionUnet介绍
最新发布
qq_73038863的博客
10-10 507
AttentionUnet 是一种基于经典 U-Net 架构改进的医学图像分割模型，通过引入注意力机制（Attention Gate, AG）来增强模型对目标区域的聚焦能力，抑制无关背景信息的干扰。其主要改进集中在跳跃连接（Skip Connection）部分，通过注意力门控动态调整特征图的权重，提升分割精度。
Attention UNet
weixin_46720482的博客
10-25 1万+
Attention UNet论文解析 - 知乎Attention UNet论文地址： https://arxiv.org/pdf/1804.03999.pdf 代码地址： https://github.com/ozan-oktay/Attention-Gated-NetworksAttention UNet在UNet中引入注意力机制，在对编码器每个分辨率上的特征与解…图像分割UNet系列------Attention Unet详解_gz7seven的博客-CSDN博客_attention unet。
深度学习论文精读[5]：Attention UNet
weixin_37737254的博客
07-18 7025
以CNN为基础的编解码结构在图像分割上展现出了卓越的效果，尤其是医学图像的自动分割上。但一些研究认为以往的FCN和UNet等分割网络存在计算资源和模型参数的过度和重复使用，例如相似的低层次特征被级联内的所有网络重复提取。针对这类普遍性的问题，相关研究提出了给UNet添加注意力门控（Attention Gates, AGs）的方法，形成一个新的图像分割网络结构：Attent...
精读论文UNet++: A Nested U-Net Architecture for Medical Image Segmentation（附翻译）
菜菜小孙的blog
07-22 1万+
翻译 摘要 abstract： 　　在这篇文章中，我们提出了一个全新的的更强的用于医疗影像分割的网络结构UNet++。我们的结构本质上是一个深度监督（ deeply-supervised）的编码-解码的网络，编码解码的子网络通过一系列的嵌套的（nested）稠密的跳跃路径（dense skip pathways）相连接。重设计跳跃路径的目的是减少编码、解码子网络特征图的语义缺失（semantic gap）。当解码和编码网络的特征图语义类似的时候，我们认为这个优化器将会处理一个更简单的任务。我们在多个医疗影像
[论文翻译]UNet++: A Nested U-Net Architecture for Medical Image Segmentation
程序客栈
02-28 8623
UNet++论文: 地址 UNet++: A Nested U-Net Architecture for Medical Image Segmentation UNet++:一个用于医学图像分割的嵌套的U-Net网络结构 Zongwei Zhou, Md Mahfuzur Rahman Siddiquee,Nima Tajbakhsh, and Jianming Liang...
UNet++: A Nested U-Net Architecturefor Medical Image Segmentation论文详解
m0_62595959的博客
09-05 691
不同层次的特征，或者说不同大小的感受野，对于大小不一的目标对象的敏感度是不同的，比如，感受野大的特征，可以很容易的识别出大物体的，但是在实际分割中，大物体边缘信息和小物体本身是很容易被深层网络一次次的降采样和一次次升采样给弄丢的，这个时候就可能需要感受野小的特征来帮助.而UNet++就是拥有不同大小的感受野,所以效果好。对于剪枝：在深监督的过程中，每个子网络的输出都其实已经是图像的分割结果了，所以如果小的子网络的输出结果已经足够好了，我们可以随意的剪掉那些多余的部分。这也是对unet网络的一个很大改进。
【网络结构】绘制attention UNet结构与pytorch实现
风巽·剑染春水的博客
03-26 6586
原文地址 1.attention UNet结构 图中AG为attention gate，c为concat拼接，设输入为512×512大小 AG的结构： 2.pytorch实现 from torch import nn from torch.nn import functional as F import torch from torchvision import models import torchvision class conv_block(nn.Module): def __init_
【语义分割系列：七】Attention Unet 论文阅读翻译笔记 医学图像 python实现
热门推荐
鹿鹿的博客
05-30 2万+
Attention U-Net 2018 CVPR Ozan Oktay, Jo Schlemper, Loic Le Folgoc, Matthew Lee Attention U-Net: Learning Where to Look for the Pancreas 1、Introduce 什么是attention？ Attention 即为注意力机制，举例就是在复杂场景文字识别中，使用At...
【医学分割】attention-unet
可乐大牛的博客
07-06 8163
attention-unet主要的贡献就是提出了attention gate，它即插即用，可以直接集成到网络模型当中，作用在于抑制输入图像中的不相关区域，同时突出特定局部区域的显著特征，并且它用soft-attention 代替hard-attention，所以attention权重可以由网络学习，并且不需要额外的label，只增加少量的计算量。 ： ：一次选择一个图像的一个区域作为注意力，设成1，其他设为0。他是不能微分的，无法进行标准的反向传播，因此需要蒙特卡洛采样来计算各个反向传播阶段的精度。 考虑到
Attention UNet结构及pytorch实现
weixin_41693877的博客
09-07 1万+
注意力机制可以说是深度学习研究领域上的一个热门领域，它在很多模型上都有着不错的表现，比如说BERT模型中的自注意力机制。本博客仅作为本人在看了一些Attention UNet相关文章后所作的笔记，希望能给各位带来一点思考，注意力机制是怎么被应用在医学图像分割的。 参考文章： 【语义分割系列：七】Attention Unet 论文阅读翻译笔记 医学图像 python实现 医学图像分割-Attention Unet 如果不知道什么是注意力机制，可以看看这篇博客：浅谈Attention-based Model【
语义分割系列7-Attention Unet（pytorch实现）
yumaomi的博客
05-19 2万+
本文介绍了AttentionUnet模型和其主要中心思想，并在pytorch框架上构建了Attention Unet模型，构建了Attention gate模块，在数据集Camvid上进行复现。
UNet结合Attention用于图像分割YYDS!
Aimoxin111的博客
12-16 1120
Attention U-Net是一种基于U-Net的深度学习网络结构，它通过引入注意力机制来提高图像分割任务的性能，尤其是在医学图像分割领域。：U-Net在Decoder解码器时可能会丢失大量细节，因此使用Skip Connection跳跃链接来减少这种信息损失。但是，编码器提取的low-level feature包含许多冗余信息，这些信息可能对后续任务没有帮助。通过在U-Net上加入注意力机制，可以减少冗余的Skip Connection。：抑制输入图像中的不相关区域，同时突出特定局部区域的显著特征；
attention unet + cldice 论文总结
qq_45981086的博客
06-19 2310
Blood Vessel Segmentation from Low-Contrast and Wide-Field Optical Microscopic Images of Cranial Window by Attention-Gate-Based Network论文总结。
《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》论文翻译
sy686的博客
06-12 2424
摘要 本文提出了一种新的、功能更强大的医学图像分割架构UNet++。我们的架构本质上是一个深度监督的编码器-解码器网络，其中编码器和解码器子网络通过一系列嵌套的、密集的跳跃路径连接。重新设计的跳跃连接旨在减少编码器子网络和解码器子网络的特征图之间的语义鸿沟。我们认为，当解码器和编码器网络中的特征映射在语义上相似时，优化器的学习任务将更加容易。我们评估了UNet++与U-Net和wide U-Net架构在多种医学图像分割任务中的应用：低剂量胸部CT扫描中...
性能再升级！UNet+注意力机制，新SOTA分割准确率高达99%
学姐带你玩AI的博客
04-15 7402
具体来说，通过将注意力模块集成到UNet的架构中，动态地重新分配网络的焦点，让其更集中在图像中对于分割任务关键的部分。这样UNet可以更有效地利用其跳跃连接特性，以精细的局部化信息来提升分割精度。这种策略可以帮助UNet更精确地界定目标边界，。同时引导网络关注更有信息量的局部区域，。
ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation
07-09
[^2]: ET-Net: A Generic Edge-aTtention Guidance Network for Medical Image Segmentation [^3]: 同上（引用[3]也提到了ET-Net） 相关问题： 1. ET-Net中的边缘引导模块具体是如何工作的？ 2. 加权聚合模块...
评论 3
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