- 博客(67)
- 收藏
- 关注
RSS订阅原创 Robust semi-supervised segmentationwith timestep ensembling diffusion models
根据之前在半监督医学图像分割方面的工作(Rosnati等人，2022)，我们使用ChestX-ray8 (Wang等人，2017)(n=108k)作为未标记数据集，在T = 1000步上训练DDPM主干，并使用JSRT (Van Ginneken等人，2006)(n=247)标记数据集的子集进行训练(n=197)和验证(n=25)我们的方法。我们的方法(i)选择更小和更有信息量的时间步长，(ii)通过投票机制对我们的步骤选择进行预测，(ii)跨时间步长共享MLP权重，从而提高分割性能。
2024-06-25 17:49:23
882
原创 Polyp-DDPM: Diffusion-Based Semantic Polyp Synthesis for Enhanced Segmentation
我们在三个不同的测试数据集：KvasirSEG、HyperKvasir和ETIS-LaribPolypDB上，对三种分割模型-UNET++、FPN和DeepLabv3plus的性能进行了全面的分析，比较了使用合成图像和真实图像进行训练的效果，如表II所示。尽管如此，我们的目标是评估我们的扩散模型对它的有效性。尽管使用其训练数据的输入掩码的GaN-Seg模型在理论上应该比其他两个扩散模型生成更好的图像，但很明显，预先训练的SinGANSeg模型遭受了模式崩溃的影响，并且只产生略有变化的图像。
2024-06-21 21:54:21
1102
原创 SEMI-SUPERVISED SEMANTIC SEGMENTATION OF CELL NUCLEIVIA DIFFUSION-BASED LARGE-SCALE PRE-TRAINING AN
该步骤的原理图如图1的步骤1所示。因此，仍然有必要系统地评估生物医学应用的半监督方法:1)利用大规模无监督预训练扩散模型建立的语义特征嵌入，这些扩散模型是通过使用有限的训练数据来训练的，这些数据是代表待分割图像的;为了解决有限的预训练数据和不在分布情况的问题，我们还结合了协作学习[25-27]，将传统的语义分割方法与提出的基于扩散的框架相结合。如图1步骤3所示，在本文提出的方法中，将预先训练好的扩散模型(灰色块)的特征与训练好的监督分割模型(灰色块)提取的特征相结合，训练出新的分割头(棕色块)。
2024-06-18 21:30:31
892
原创 VerseDiff-UNet
为了满足对准确和多样化的脊柱医学图像分割模板的需求，我们提出了一个端到端的框架，称为VerseDiff-UNet，它利用了去噪扩散概率模型(DDPM)。通过对解剖结构进行更精确的分割，我们的框架有可能通过对解剖结构进行更精确的分割来促进对疾病的准确诊断和治疗。与传统医学图像分割方法直接输入原始图像数据预测相应的分割标签图不同，扩散模型以原始图像和带噪声的分割标签图为输入学习去噪过程。在得到带有t阶噪声的标签地图后，我们的目标是通过去噪模块基于标签地图和原始图像数据预测清晰的标签地图。
2024-04-18 16:19:20
669
原创 ISIC2016、ISIC2017、ISIC2018
对于分类任务，共包含12 500 张图像，其中训练集共包含10 015 张图像7 类疾病，分别为光化性角化病（327）、基底细胞癌（514）、良性角化病（1 099）、皮肤纤维瘤（115）、黑色素瘤（1 113）、黑色素细胞性痣（6 705）、血管性皮肤病变（142）。验证集和测试集分别为193 和1 512 张图像。其中训练集图像有2 000 张，验证集和测试集分别有150 张图像和600 张图像，皮肤疾病图像颜色深度均为24 位，图像尺寸为767×576～6 621×4 441 不等。
2024-03-25 20:09:22
3508
原创 ERDUnet: An Efficient Residual Double-codingUnet for Medical Image Segmentation
ERDUnet:一种用于医学图像分割的高效残差双编码单元摘要医学图像分割在临床诊断中有着广泛的应用，基于卷积神经网络的分割方法已经能够达到较高的准确率。然而，提取全局上下文特征仍然很困难，而且参数太大，无法临床应用。为此，我们提出了一种新的网络结构来改进传统的编码器-解码器网络模型，在保持分割精度的同时节省了参数。通过构造一个能够同时提取局部特征和全局连续性信息的编码器模块，提高了特征提取效率。设计了一种新的注意力模块，在优化分割边界区域的同时提高训练效率。改进了解码部分的特征传递结构，充分融合了不
2024-03-25 10:40:15
1197
原创 扩散模型中,训练、采样和推理
训练是使用大量训练数据来优化扩散模型的参数,使其能够学习数据分布的过程。因此,训练是学习模型参数的过程,采样是从纯噪声生成新样本,而推理则是在新数据上利用训练好的模型进行任务处理。推理是将训练好的模型应用于新数据进行处理的过程。在扩散模型的背景下,推理通常指使用训练好的扩散模型来执行图像修复、超分辨率等任务。采样是使用训练好的扩散模型从随机噪声生成样本的过程。它模拟了反扩散链的过程,从纯噪声开始,逐步去噪并生成样本。采样过程可以生成新的样本,例如生成图像、音频或文本。
2024-03-22 09:47:21
523
原创 CFATransUnet: Channel-wise cross fusion attention and transformer for 2D medical image segmentation
图2显示了提出的CFATransUnet的总体结构，这是一个基于编码和解码的U型网络架构。Channel-wise Cross Fusion Attention and Transformer (CCFAT)模块被用作跳过连接的替代方案，以消除多层次特征之间的语义差距。此外，CFATransUnet只执行一次CCFT，因为我们发现多次执行CCFT不会带来明显的性能提升，反而会增加太多的计算开销。具体来说，我们使用Transformer和CNN块来构建编码器和解码器，以充分提取和融合远程和局部语义特征。
2024-03-20 11:12:25
538
原创 Combining external-latent attention for medical image segmentation
因此，我们提出了潜在熵-量化通道注意机制(LECA)，该机制使用改进的信息熵计算方法来量化潜在特征，以衡量不同通道中包含的上下文信息的丰富度。硬注意机制作为ACG模块的一个分支，用于强调显著语义的重要性，能够与ESRA和SE生成的局部和全局语义信息协同，更准确地建模感兴趣区域的特征表示。•我们提出了一种新的通道注意机制，该机制使用改进的信息熵计算方法捕获潜在特征来衡量数据中包含的上下文信息的丰富程度，可以准确地激活有效的上下文信息并抑制无效的上下文信息。(c)基于外部稀疏表示的多头自注意(ESRA)。
2024-03-19 22:49:35
907
原创 Encoder Activation Diffusionand Decoder Transformer Fusion Networkfor Medical Image Segmentation
我们引入可学习的参数来调整扩散范围并动态过滤噪声，达到灵活的控制和更好的适应性，它可以在一定程度上将语义感知区域扩散到边界区域，使生成的图能够获得更清晰的边界，可以有效地解决分割目标较小和边界特征模糊的问题。最后，利用Transformer进行多尺度解码信道信息融合，利用自关注机制与特征进行全局交互，通过学习特征之间的相关性，更好地融合不同尺度的特征，解决了普通融合无法获得远距离依赖关系和全局上下文信息的问题。此外，所提出的LCM采用较少的参数，可以用来替代其他卷积层，提高模型的训练能力。
2024-03-19 16:22:45
678
原创 DFormer: Diffusion-guided Transformer for UniversalImage Segmentation
DFormer:用于通用图像分割的扩散引导transformer摘要：本文介绍了一种通用的图像分割方法DFormer。所提出的DFormer将通用图像分割任务视为一个使用扩散模型的去噪过程。DFormer首先将不同级别的高斯噪声添加到地面真实掩码中，然后学习一个模型来预测从损坏的掩码中去除噪声的掩码。具体地说，我们将深度像素级特征和噪声掩码作为输入来生成掩码特征和注意掩码，并使用基于扩散的解码器逐步执行掩码预测。在推理中，我们的DFormer直接从一组随机生成的掩码中预测掩码和相应的类别。大量的实验表明
2024-03-18 22:43:47
1017
原创 Diffusion Models for Implicit Image Segmentation Ensembles
在医学图像分割中，常用的方法是应用U-Net (Ronneberger et al .， 2015)或SegNet (Badrinarayanan et al .， 2017)来预测每个输入图像的分割掩码。肖等人，2020)。虽然一些新工作将扩散模型应用于图像到图像的翻译(Sasaki等人，2021)、风格迁移(Choi等人，2021)或绘画任务(撒哈拉等人，2021)等任务，但到目前为止，关于语义分割的工作很少。与最先进的分割模型相比，我们的方法产生了良好的分割结果，此外，还提供了详细的不确定性图。
2024-03-07 11:08:02
910
原创 LABEL-EFFICIENT SEMANTIC SEGMENTATION WITHDIFFUSION MODELS
基于扩散模型的标签高效语义分割摘要：去噪扩散概率模型最近受到了很多研究的关注，因为它们优于gan等替代方法，并且目前提供了最先进的生成性能。扩散模型的优越性能使其成为一些应用程序的吸引人的工具，包括绘图，超分辨率和语义编辑。在本文中，我们证明了扩散模型也可以作为语义分割的工具，特别是在标记数据稀缺的情况下。特别地，对于几个预训练的扩散模型，我们研究了执行反向扩散过程的马尔可夫步骤的网络的中间激活。我们表明，这些激活有效地从输入图像中捕获语义信息，并且似乎是分割问题的优秀像素级表示。基于这些观察，我们
2024-03-05 22:48:12
1194
原创 Enhancing gland segmentation in colon histology images using aninstance-aware diffusion model
使用实例感知扩散模型增强结肠组织学图像中的腺体分割摘要：在病理图像分析中，确定结肠组织学图像中的腺体形态对确定结肠癌的分级至关重要。然而，人工分割腺体是极具挑战性的，有必要开发自动分割腺体实例的方法。近年来，由于强大的噪声到图像去噪管道，扩散模型已成为计算机视觉研究的热点之一，并在图像分割领域得到了探索。本文提出了一种基于扩散模型的实例分割方法，可以实现自动gland实例分割。首先，我们将结肠组织图像的实例分割过程建模为基于扩散模型的去噪过程。其次，为了恢复去噪过程中丢失的细节，我们使用实例感知
2024-02-27 22:42:32
1142
1
原创 BerDiff: Conditional Bernoulli Diffusion Modelfor Medical Image Segmentation
此外，通过利用扩散模型的随机特性，我们的BerDiff对初始伯努利噪声和中间潜在变量进行多次随机采样，以产生一系列不同的分割掩模，这可以突出显示感兴趣的突出区域(ROI)，这可以作为放射科医生的有价值的参考。此外，与我们的噪声估计网络具有相同架构的U-net所取得的高性能，突出了基于扩散模型的骨干设计的有效性。其次，通过利用扩散模型的随机特性，我们的BerDiff对初始伯努利噪声和中间潜在变量进行多次随机采样，以产生一系列不同的分割掩模，这可以突出显示感兴趣的突出区域，从而为放射科医生提供有价值的参考。
2024-02-27 11:22:51
837
原创 Annotator Consensus Prediction for MedicalImage Segmentation with Diffusion Models
QUBIQ包括4个不同的CT和MRI模式的分割数据集，包括脑生长(1个任务，MRI, 7个评分者，34例训练和5例测试)、脑肿瘤(1个任务，MRI, 3个评分者，28例训练和4例测试)、前列腺(2个子任务，MRI, 6个评分者，33例训练和15例测试)和肾脏(1个任务，CT, 3个评分者，20例训练和4例测试)。在“Annotator”变体中，我们的模型学习生成每个注释器二进制分割图，然后对所有结果进行平均以获得所需的软标签图，与“Consensus”变体相比，它获得了较低的分数，这是我们的完整方法。
2024-02-26 22:54:09
930
1
原创 LSegDiff: A Latent Diffusion Model for Medical ImageSegmentation
训练过程分为三个阶段。更确切地说，给定二进制掩码图像 𝑥∈ 𝑅 𝐻×𝐻×𝑅，编码器 𝜉 将 x 编码为潜在表示 𝑧 = 𝜉(𝑥)、解码器 𝐷 从潜在表示重建图像，得到 𝑥 = 𝐷(𝑧) = 𝐷(𝜉(𝑥))，其中 𝑧 ∈ 𝑅 类型×𝑤×𝑐。根据文献[6]，自编码器模型是以对抗的方式训练的，因此判别器𝐷𝜓是最优化的，以区分原始图像和重建图像𝐷(𝜉(𝑥))。在本研究中，医学图像分割算法通常利用先进的图像处理技术、机器学习和深度学习方法来分析医学图像，准确定位内窥镜图像中息肉的边界和皮肤镜图像中病变皮肤的区域。
2024-02-20 17:02:22
881
原创 DTAN: Diffusion-based Text Attention Network for medical imagesegmentation
提出了一种新的基于扩散模型的二维医学图像语义分割方法，证明了扩散模型在医学图像分割领域的适用性。通过在Kvasir-SEG[22]、KvasirSessile[23]和GLAS[24]数据集上的大量实验验证了我们提出的方法的有效性，证明了它作为医学图像分割的一种变革性方法的显著优势和潜力。在此背景下，我们引入了弥散文本注意网络(Diffusion text - attention Network, DTAN)，这是一个开创性的分割框架，它将文本注意原理与扩散模型相结合，以提高医学图像分割的精度和完整性。
2024-02-17 11:26:49
874
原创 Diffusion Transformer U-Net for MedicalImage Segmentation
为了评估该方法的有效性和泛化能力，我们测试了不同的医学图像分割任务，包括:(1)结肠镜图像的息肉分割(Kvasir-SEG (KSEG) [10]， CVC- clinic DB (CVC)[1])，(2)皮肤镜图像的皮肤病变分割(ISIC 2017 (IS17 ') [5]， ISIC 2018 (IS18 ')[4,19])，以及(3)视网膜眼底图像的光学杯分割(REFUGE (REF)[14])。-我们用简单的连接操作取代了扩散模型中的交叉注意(CA)，并应用这种简化的扩散模型来训练U-Net。
2024-02-16 17:28:34
701
原创 ACCELERATING DIFFUSION MODELS VIA PRE-SEGMENTATION DIFFUSIONSAMPLING FOR MEDICAL IMAGE SEGMENTATION
基于去噪扩散概率模型(DDPM)，医学图像分割可以被描述为一个条件图像生成任务，该任务允许计算逐像素的不确定性映射，该分割方法允许隐式的分割集合来提高分割性能[5]。为了从相反的过程中生成图像，我们首先通过从p(xT)(选择为各向同性高斯分布)中采样潜点(与训练数据点x0大小相同)从底层数据分布中采样xT，然后依次从pθ(xT−1| xT)中提取样本xT−1,t = t, t−1，…PD-DDPM不仅在不打破任何假设的情况下提高了香草DDPM的效率，而且作为一个额外的好处，提高了香草DDPM的分割性能。
2024-02-16 16:10:44
1121
原创 Ambiguous Medical Image Segmentation using Diffusion Models利用扩散模型分割模糊医学图像
摘要：事实证明，在临床任务中，来自一组专家的集体见解总是优于个人的最佳诊断。对于医学图像分割任务，现有的基于人工智能的替代研究更多地侧重于开发能够模仿最佳个体的模型，而不是利用专家组的力量。在本文中，我们介绍了一种基于单一扩散模型的方法，该方法通过学习群体洞察力的分布来产生多个可信的输出。我们提出的模型通过利用扩散的固有随机采样过程，仅使用最小的额外学习来生成分割掩码的分布。我们在三种不同的医学图像模式(CT、超声和MRI)上展示了我们的模型能够在捕获其发生频率的同时产生几种可能的变体。综合结果表明
2024-02-14 15:30:37
1747
原创 Improved Diffusion代码
L0是x1和x0的条件分布，‘在图像中可以认为是自然函数；在0~T之间时刻的Lt-1就是后验分布与我们预测的分布之间的KL散度；一开始T时刻的LT不参与网络的优化，但是可以当作评估指标；attention-based UNet ：input blocks（编码器）、mid blocks（中间部分，不改变通道数，不改变空间结构）、output blocks（解码器）
2024-02-02 23:32:25
480
原创 CACDU-Net: A Novel DoubleU-Net BasedSemantic Segmentation Model for SkinLesions Detection in Image
CACDU-Net:一种新的基于双u - net的图像皮肤损伤语义分割模型摘要皮肤病变分割是皮肤病学领域的一项重要任务，它有助于早期发现和诊断皮肤病。深度学习技术在实现准确的病灶分割方面显示出巨大的潜力。在这些技术的帮助下，病灶分割过程可以自动化，从而减少了人工操作和主观判断的影响。这有助于节省医疗专业人员的时间和减少他们的工作量，从而提高他们的工作效率，并使医疗资源得到更好的分配。为了更好地进行皮肤病灶分割，本文在DoubleU-Net模型的基础上提出了一种新的CACDUNet模型。为此，首先，该
2024-01-24 21:10:52
1147
原创 MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer
最近的研究进一步揭示了DPM在医学图像分析领域的应用，正如医学图像分割模型在各种任务中表现出的令人称赞的性能所强调的那样。相比之下基于unet的MedSegDiff, MedSegDiff- v2在optical - cup上的得分提高了2.0%，在脑瘤上的得分提高了1.9%，在甲状腺结节上的得分提高了3.9%，强调了其基于变压器的主干的有效性。与日益流行的视觉变压器相比，经典的UNet模型在分割质量上有所妥协，这可能导致在集合中生成发散但不正确的掩模，最终引入永久阻碍性能的噪声。
2024-01-17 21:04:25
3196
1
原创 MedSegDiff: Medical Image Segmentation withDiffusion Probabilistic Model
随着深度学习技术的发展，越来越多的研究成功地将基于神经网络(NN)的模型应用到医学图像分割任务中，从流行的卷积神经网络(CNN)[11]到最近的视觉变压器(ViT)[3,22,12,28]。我们在三种不同图像模式的医学分割任务上验证了MedSegDiff，即眼底图像的视杯分割、MRI图像的脑肿瘤分割和超声图像的甲状腺结节分割。受DPM最近成功的启发，我们设计了一种独特的基于DPM的医学图像分割模型。据我们所知，在一般医学图像分割的背景下，我们首次提出了基于dpm的不同图像模态分割模型。
2024-01-12 20:51:01
877
1
原创 SegDiff：Image Segmentation with Diffusion Probabilistic Models
然后，使用扩散模型，使用额外的编码层和解码器来迭代地细化分割图。由于扩散模型是概率性的，因此可以多次应用，并将结果合并到最终的分割图中。新方法在城市景观验证集、Vaihingen建筑分割基准和MoNuSeg数据集上产生最先进的结果。扩散概率方法用于最先进的图像生成。在这项工作中，我们提出了一种方法来扩展这样的模型来执行图像分割。该方法端到端学习，不依赖于预先训练的主干。输入图像中的信息和当前分割图估计中的信息通过对两个编码器的输出求和来合并。SegDiff:基于扩散概率模型的图像分割。
2024-01-09 22:51:31
858
1
原创 Annotator Consensus Prediction for MedicalImage Segmentation with Diffusion Models
与Wolleb等人[26]基于扩散的图像分割方法相比，我们的架构在两个主要方面有所不同:(i)条件信号的拼接方法，(ii)处理条件信号的编码器。我们在多个专家注释的医学分割数据集上评估了我们的方法的性能，并将其与最先进的方法进行了比较。我们的结果证明了所提出的方法在处理观察者之间和观察者内部的可变性方面的有效性和鲁棒性，并实现了比最先进的方法更高的分割精度。为了克服这些局限性，提出了多标注器预测的自动化方法，该方法旨在融合来自多个标注器的标注，生成准确一致的分割结果。下图展示了我们提出的多注释器分割方法。
2024-01-07 22:52:26
796
原创 DermoSegDiff: A Boundary-aware Segmentation Diffusion Model for Skin Lesion Delineation
DermoSegDiff:用于皮肤病变描绘的边界感知分割扩散模型摘要：皮肤病变分割对皮肤病的早期发现和准确诊断起着至关重要的作用。消噪扩散概率模型(ddpm)最近因其出色的图像生成能力而受到关注。在这些进展的基础上，我们提出了DermoSegDiff，这是一个在学习过程中包含边界信息的皮肤病变分割的新框架。我们的方法引入了一种新的损失函数，在训练过程中对边界进行优先排序，逐渐降低其他区域的重要性。我们还介绍了一种新的基于u - net的去噪网络，该网络可以熟练地将网络内的噪声和语义信息集成在一起。在多个
2023-12-23 15:10:58
676
原创 TGDAUNet: Transformer and GCNN based dual-branch attention UNetfor medical image segmentation
TGDAUNet:基于Transformer和GCNN的医学图像分割双分支关注网络摘要：医学图像的准确、自动分割是临床诊断和分析的关键步骤。目前，随着Transformers模型在计算机视觉领域的成功应用，研究人员开始逐步探索Transformers在图像医学分割中的应用，特别是与具有编解码结构的卷积神经网络相结合，在医学分割领域取得了显著的成果。然而，大多数研究将transformer与cnn结合在一个单一尺度上，或者只处理最高级别的语义特征信息，而忽略了低级语义特征信息中丰富的位置信息。同时，对
2023-10-31 23:11:28
923
原创 Multi-scale Perception and Feature Refinement Network for multi-classsegmentation of intracerebral
基于多尺度感知和特征细化网络的脑出血CT图像多类分割摘要：脑出血对人类健康和福祉构成严重威胁。CT图像中血肿的自动分割可以为医生提供必要的诊断协助，并确保改善患者的治疗和康复效果。现有的脑出血分割方法主要集中在识别出血区域，不能准确区分和勾勒出不同类型的血肿。然而，不同类型的出血在灰质水平和形状方面表现出高度的相似性，血肿的规模也可能有很大差异。为了解决这个问题，我们提出了一个多尺度感知和特征细化网络(MPFR-Net)来自动分割脑实质内和脑室内出血。具体而言，我们提出了一种多尺度感知模块(MPM)
2023-10-24 12:06:27
680
原创 FRBNet: Feedback refinement boundary network for semantic segmentation in breast ultrasound images
目前，大多数乳腺肿瘤分割方法侧重于提取多尺度信息和融合上下文信息，而低估了特征信息在分割任务中帮助识别目标边界的重要性。具体而言，CCM在融合低级特征映射和高级特征映射之前，首先采用重分布特征通道响应的方法，增强携带关键目标信息的通道，抑制低级特征映射中的噪声通道。然后，BD模块通过额外学习乳腺肿瘤的边界，提高分割结果中边界的质量，为后续的预测提供准确的边界特征信息。然而，这些传统方法是基于数据集的特征，然后实现手工设计的特征，如纹理特征或位置信息，这些特征不稳定，抗干扰能力差，容易受到成像质量的影响。
2023-10-23 22:55:44
378
原创 U-MLP: MLP-based ultralight refinement network for medical image segmentation
U-MLP:基于mlp的医学图像分割超轻细化网络摘要：卷积神经网络(CNN)和Transformer在计算机辅助诊断和智能医疗中发挥着重要作用。但CNN无法获得远程依赖，Transformer在计算复杂度和参数量大等方面存在不足。近年来，与CNN和Transformer相比，基于多层感知器(multilayer Perceptron, MLP)的医学图像处理网络能够以更小的计算量和参数量实现更高的精度。因此，在这项工作中，我们提出了一个编码器-解码器网络，U-MLP，基于ReMLP块。ReMLP块包含一
2023-10-23 18:50:17
517
原创 Res2Net: A New Multi-scale BackboneArchitecture
Res2Net：一种新的多尺度主干架构参考：论文机翻：Res2Net: A New Multi-scale Backbone Architecture（Res2Net 论文机翻）_res2next-CSDN博客摘要-在众多视觉任务中，以多种尺度表示特征非常重要。 骨干卷积神经网络（CNN）的最新进展不断显示出更强大的多尺度表示能力，从而在整个应用范围内获得了一致的性能。然而，大多数现有方法都代表了多层尺度的多尺度特征。 在本文中，我们通过在单个残差块内构造类似于残差的分层连接，为CNN提出了一种新
2023-10-22 22:14:38
319
原创 Dense-PSP-UNet: A neural network for fast inference liver ultrasoundsegmentation
与其他医学成像方式(如x射线、磁共振成像(MRI)和计算机断层扫描(CT))相比，超声成像具有许多优势，例如成本低、患者安全、易于获得、诊断效率高、易于使用、便携性和无辐射属性等。具体来说，是肋骨的影子肺部可能会覆盖肝脏的某些部分，这增加了分析的难度。克服这些障碍的一种方法是实时精确地描绘(即分割)ROI(即肝脏)，使临床医生能够在美国机器显示器上的其他器官/组织中检测肝脏。具体来说，肝脏实时US分割算法可以在以下几种临床场景中提高诊断和治疗的有效性:(1)肝脏US分割可以用于肝脏疾病的分析和诊断。
2023-10-21 22:34:34
236
1
原创 U2-Net: Going Deeper with Nested U-Structure for Salient Object Detection
u2net:使用嵌套u结构进行显著目标检测摘要：在本文中，我们设计了一个简单而强大的深度网络架构，U2-Net，用于显著目标检测(SOD)。我们的u2net架构是一个两层嵌套的u结构。该设计具有以下优点:(1)由于在我们提出的残差u块(RSU)中混合了不同大小的接受域，它能够从不同尺度捕获更多的上下文信息;(2)由于在这些残差u块中使用池化操作，它增加了整个架构的深度，而不会显著增加计算成本。这种架构使我们能够从头开始训练深度网络，而无需使用图像分类任务中的主干。我们实例化了两种模型，U2Net (17
2023-10-20 11:30:18
310
原创 BASNet：Boundary-Aware Segmentation Network forMobile and Web Applications
BSANet：移动和Web应用的边界感知分割网络摘要：尽管深度模型极大地提高了图像分割的精度和鲁棒性，但获得具有高精度边界和精细结构的分割结果仍然是一个具有挑战性的问题。在本文中，我们提出了一个简单而强大的边界感知分割网络(BASNet)，它包括预测-细化架构和混合损失，用于高精度的图像分割。预测-细化结构由密集监督的编码器-解码器网络和残差细化模块组成，分别用于预测和细化分割概率图。混合损失是二值交叉熵、结构相似性和相交过并损失的组合，它引导网络学习三层(即像素级、补丁级和地图级)层次表示。我们在两个
2023-10-19 21:52:35
662
原创 ACU2E-Net: A novel predict–refine attention network for segmentation ofsoft-tissue structures in ul
为了证明我们方法的有效性，我们从12个不同的成像中心收集了甲状腺超声扫描的综合数据集，并将我们提出的网络与最先进的分割方法进行了评估。然而，由于超声图像的噪声特性，常规方法通常产生较差的结果。为了克服这些挑战，我们提出了一种新的基于注意力的预测-细化架构ACU2E-Net，它由基于我们新提出的注意力坐标卷积(AC-Conv)和多头残差细化模块(MH-RRM)块构建的预测模块组成。然而，超声图像是从手持探头获得的，因此依赖于操作员，并且容易受到许多伪影的影响，例如重斑点噪声，阴影和模糊的边界。
2023-10-18 19:14:10
156
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人