论文阅读
文章平均质量分 93
Cpdr
confidence,persistence,determination,responsibility
展开
-
【文献阅读笔记】M2SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation
问题:大多现存的方法:基于U-shape结构使用逐元素相加addition)或者去逐步融合解码器中不同层级的特征。但是这两种操作会产生大量的冗余信息,从而削弱不同层级特征之间的互补性,最终导致病灶定位不准确和边缘模糊。方法:为了解决上述问题,本文提出了一种通用的multi-scale in multi-scale subtraction network (M2SNetM^2SNetM2SNet) 来完成医学图像的多样化分割。具体来说,本文首先设计一个基本减法单元。原创 2023-08-11 20:15:03 · 646 阅读 · 0 评论 -
【文献阅读笔记】M2MRF: Many-to-Many Reassembly of Features for Tiny Lesion Segmentation in Fundus Images
特征重组是现代基于 CNN 的分割方法的重要组成部分,其中包括特征下采样和特征上采样算子。现有的方法将多个特征从一个小的预定义区域独立地为每个目标位置重组一个对应的特征。这可能会导致空间信息丢失,从而使微小病变引起的激活消失,特别是当它们聚集在一起时。提出的算子可以减少上述遇到的难题。(1) 我们的 M2MRF 优于现有的特征重组算子;(2) 配备 M2MRF,HRNetv2能够实现比基于 CNN 的分割方法明显更好的性能,并且比最近两种基于 Transformer 的分割方法具有更好的性能。原创 2023-07-14 09:53:27 · 287 阅读 · 1 评论 -
【文献阅读笔记】Disease-grading networks with ordinal regularization for medicalimaging
关于:疾病严重程度的分级,对深度学习分类方法加入疾病严重程度阶段之间的顺序关系,从而提高了疾病分级的性能。可嵌入到通用分类网络;预测疾病发展进展实验了3个公共数据集: ①the IDRiD challenge dataset;实验表明,所提出的方法不仅优于常见分类模型的基线,而且优于深度学习方法,特别是在 IDRiD 挑战数据集上,实验的方法的联合精度为 68.0%。(1)与分类模型相比,回归模型更难优化。因此,单纯的分类方法和序数回归方法并不是疾病分级的最佳选择。表1的比较结果表明。原创 2023-07-11 10:46:18 · 195 阅读 · 0 评论