论文笔记2.5D lightweight RIU-Net for automatic liver and tumor segmentation from CT

最新推荐文章于 2025-04-14 10:40:34 发布
原创 最新推荐文章于 2025-04-14 10:40:34 发布 · 935 阅读 · 5 ·
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：

#计算机视觉 #人工智能

提出一种名为RIU-Net的轻量级网络，用于CT图像中的肝脏和肿瘤分割。该网络采用2.5D输入方式，通过整合多个切片信息提升分割效果。基于U-Net架构，引入Res-Inception模块以提取多尺度特征，并采用混合损失函数加快训练收敛。

用于CT自动肝脏和肿瘤分割的2.5D轻量级RIU-Net

ELSEVIER  Biomedical Signal Processing and Control 2022

 InceptionV1-V3 and convolution conversion

RIU-Net 的整体结构

       在医学图像分割中，充分利用好医学图像切片间的空间信息是至关重要的。直接将3D图像输入到网络中，3D 图像会占据巨大的内存，或者直接将3D图像转换为2D图像，这样也是不可取的，直接抛弃了医学图像切片间的空间信息。所以出现了2.5D的思想（即将一叠相邻切片作为网络的输入，并生成与中心切片的分割图）这样既能节省计算资源也能利用好空间信息。

       网络架构是以U-Net为原型设计的，模型依旧呈现出对称结构，左半部分是编码器，用于特征提取，右半部分是解码器，用于定位感兴趣区域，编码器与解码器之间普通的跳跃连接，实现低级语义信息与高级语义特征之间的组合。整体框架由9个RI(Res-Inception)模块、4个下采样层、4个上采样层和一个 1×1的卷积层组成。

       总结一下，这篇论文提出了一种医学图像肝脏与肝肿瘤分割网络，核心思想是建立一个提取图像多尺度信息又可以充分节省计算资源的轻量级网络。引入了残差，结合不同分辨率的特征图，可以避免过拟合。为了节省计算资源，将 U-Net 中的所有卷积序列替换成 Inception 模块，不仅减少了参数量也能够提取更多图像特征（因为在肝脏与肝肿瘤分割中，尤其是肿区域大小不一，如果使用U-Net中固定的卷积序列，势必会导致感受野受到限制，降低分割精度。这样的设计可以用不同的卷积核来获得图像不同尺度的感受野，来保障分割精度）。最后，采用结合BCE和Dice的混合损失函数来加速收敛并提高准确性。 

 

深度学习论文: Lightweight and Progressively-Scalable Networks for Semantic Segmentation及其PyTorch实现
mingo_敏
08-01 1126
LPSNet首先构建一个微型网络。然后，LPSNet通过一次扩展单个维度（卷积块的数量、通道的数量或输入分辨率）逐步将微型网络扩展到更大的网络，以满足最佳速度/准确性权衡。LPSNet在Cityscapes上实现了73.4%mIoU和413.5FPS的速度。......
深度学习论文: LEDnet: A lightweight encoder-decoder network for real-time semantic segmentation及其PyTorch实现
mingo_敏
07-01 1792
深度学习论文: LEDnet: A lightweight encoder-decoder network for real-time semantic segmentation及其PyTorch实现 LEDnet: A lightweight encoder-decoder network for real-time semantic segmentation PDF:https://arxiv.org/pdf/1905.02423.pdf PyTorch: https://github.com/shan
2.5D Visual Sound：CVPR2019论文解析
吴建明wujianming_110117
04-11 911
2.5D Visual Sound：CVPR2019论文解析 论文链接： http://openaccess.thecvf.com/content_CVPR_2019/papers/Gao_2.5D_Visual_Sound_CVPR_2019_paper.pdf Video results: http://vision.cs. utexas.edu/projects/2.5D_visual_s...
图像分割论文:Automatic liver tumor segmentation in CT with FCNN and object-based postprocessing
jlch5555的博客
07-30 468
图像分割论文:Automatic liver tumor segmentation in CT with fully convolutional neural networks and object-based postprocessing Auther: Grzegorz Chlebus, Institution:Fraunhofer Institute for Medical Image Computing MEVIS, Publish year: 2018 论文地址：DOI:10.1038/s4159
基于空间注意力的多尺度深度神经网络集成的鼻咽癌肿瘤靶区自动分割
Stack_Alan的博客
03-01 2192
基于空间注意力的多尺度深度神经网络集成的鼻咽癌肿瘤靶区自动分割 Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer using Ensemble of Multiscale Deep Neural Networks with Spatial Attention 1. 介绍 目的：在各向异性分辨率的CT图像中自动分割鼻咽癌的肿瘤靶区(Gross Target Volume,GTV)，同时我们估计分割结果的不确定性 难点：靶区小
A 2.5D Cancer Segmentation for MRI Images Based on U-Net
Acmer_future_victor的博客
09-16 2899
A 2.5D Cancer Segmentation for MRI Images Based on U-Net 总结：创新点不是很多，就是多个U-Net结果的融合。 Abstract 现有的图像分割方法大多局限于二维平面，只考虑一个方向的图像信息。U-Net作为一种经典的二维CNN图像分割框架，在分割精度上还需要进一步提高。此外，三维CNN需要很高的计算量。为了在分割精度和计算代价之间取得平衡，本文主要提出了一种基于U-Net的2.5D图像分割方法，用于鼻咽癌MRI肿瘤面积的预测。本文从三个正交方向的
[论文阅读] RIU-Net: Embarrassingly simple semantic Segmentation of 3D lidar point cloud
头狼博客
12-22 282
采用Unet这种2D任务中通用的模型，预测前视图投影的range-image点云数据。
【论文阅读笔记】RAAGR2-Net: A brain tumor segmentation network using parallel processing of multiple spatial
寸先生的AI道路
12-13 1144
这一部分就是在DeepLab基础空间金字塔池化（ASPP）基础上做了微小改变，通过设置不同的膨胀率，使用空洞卷积提取不同尺度的特征，与ASPP不同，RASPP模块包括附加的残差分支，其将原始特征连接到从不同膨胀率提取的特征。Attention gate (AG) module：AG是模仿人类视觉学习算法，专注于目标位置，并学习最大限度地减少冗余特征的特征图，同时强调重要的特征信息，以执行特定的任务，从图中可以看出来就是普通的注意力加权，只是换了一种说法而已。这种不均匀性会模糊病变特征，影响神经网络学习。
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
大臣不想在月亮上上热搜
10-15 2005
TD-Net: Trans-Deformer network for automatic pancreas segmentation：基于Trans-Deformer网络的自动胰腺分割 论文详详详详读
(cvpr2025) SCSegamba: Lightweight Structure-Aware Vision Mamba for Crack Segmentation in Structures
OUC的搬砖日常
04-14 1048
结构也非常简单，使用 MLP+ Dynamic upsampling 分别处理 F1,F2,F3,F4 ，将其尺寸恢复，然后使用 GBC + MLP 处理，得到分割结果。因此，做者提出了Diagnal snake扫描方法（图中绿色），可以更好地捕捉复杂的裂纹纹理特征（个人感觉这个有些牵强，或者举的例子并没有很好的证明这一点）。作者指出：在低对比度图像中，裂纹区域不规则，经常受到周围区域和阴影的影响，这对现有的视觉状态空间模型（VSSM）的扫描策略提出了挑战。2、门控机制，可以增强模型捕捉细节的能力。
一种基于级联卷积网络的三维脑肿瘤精细分割
02-06
提出了一种基于级联的2.5维（2.5D）卷积神经网络。将该任务拆分为脑肿瘤整体分割、肿瘤核分割、增强肿瘤分割三个子任务，并将三个结果合并生成最终结果。在每个子任务中，对三维（3D）图像进行轴向、矢向和冠向的裁取，生成2.5D图像；将2.5D图像输入至所提2.5D V-Net中进行训练；将2.5D分割结果拼接成3D结果，生成不同子任务的分割结果图。结果表明，所提方法对肿瘤整体、肿瘤核和增强肿瘤分割的平均dice值分别可达0.9071、0.8542和0.8140，基本满足临床需要。
语义分割论文:LiteSeg: A Novel Lightweight ConvNet for Semantic Segmentation及其Pytorch实现
mingo_敏
02-10 4003
LiteSeg: A Novel Lightweight ConvNet for Semantic Segmentation PDF: https://arxiv.org/pdf/1912.06683.pdf PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks
MarrNet: 3D Shape Reconstruction via 2.5D Sketches
761527200_leili的博客
10-22 1874
一.摘要 1.从单一图片进行三维重建需要很强的三维先验知识，因为很少有在真实图片上的标签 2.当在合成图片上进行训练时转移到真实图片集会造成域自适应问题 领域自适应是与机器学习和转移学习相关的领域。 当我们的目标是从源数据分布中学习在不同（但相关）的目标数据分布上的良好性能模型时，就会出现这种情况。 例如，常见垃圾邮件过滤问题的任务之一在于使模型从一个用户（源分发）适应到接收显着不同的电子邮件（...
论文笔记Automatic liver segmentation from abdominal CT volumes using improved convolution neural network
Stark_Z的博客
09-08 329
使用改进的卷积神经网络从腹部 CT 体积自动分割肝脏
LightweightNet：通过架构提炼实现快速轻量的卷积神经网络
weixin_42180950的博客
12-09 1145
这篇文章非常适合搞轻量级网络结构的人看，文章行文精致细腻，工作量极大。我只精读了摘要和引言，其他部分太过专业，我水平不够看不懂，毕竟是篇顶刊的文章，看不懂是对它最起码的尊重。待以后提高水平再回来补充。 题目:LightweightNet: Toward fast and lightweight convolutional neural networks via architecture dist...
Neural Network-Based Automatic Liver Tumor Segmentation With Random Forest-Based Candidate Filtering
moshiyaofei的博客
02-14 307
理解   Neural Network-Based Automatic Liver Tumor Segmentation With Random Forest-Based Candidate Filtering   一、摘要 1.基于2D UNet和随机森林提出了一种fully automatic  方法用于肝脏病灶分割。 2.为了约束肿瘤所处位置的感兴趣区域，首先分割肝脏。 3....
Deep learning-based auto segmentation using generative adversarial network on magnetic resonance ima
Acmer_future_victor的博客
04-14 1057
Deep learning-based auto segmentation using generative adversarial network on magnetic resonance images obtained for head and neck cancer patients 使用生成对抗网络对头颈癌患者获得的磁共振图像进行基于深度学习的自动分割 期刊：Journal of Applied Clinical Medical Pyhsics 接收时间：2022年2月17日 Abstract P
轻量级的肝脏与肝肿瘤 2.5D 分割网络阅读笔记
NJU phd 在读。
04-29 1645
文章目录 1 前言 2 方法概述 2.1 InceptionV1-V3 and convolution conversion 2.2 Residual block 2.3 2.5D 网络 3 RIU-Net 的整体结构 4 实验和可视化 5 总结 1 前言 最近一直在读医学图像的论文，于是我打算写一个系列的阅读笔记，语言比较精简。在上一篇阅读笔记（https://zhuanlan.zhihu.com/p/505483978）中，分析了医学图像分割的混合 Transformer 网络：UTNet，在
Primitive-Swarm: An Ultra-lightweight and Scalable Planner for Large-scale Aerial Swarms
最新发布
07-08
《Primitive-Swarm: An Ultra-lightweight and Scalable Planner for Large-scale Aerial Swarms》是一篇研究论文，提出了一种用于大规模空中蜂群的超轻量级、可扩展的路径规划算法。该方法通过使用预定义的运动基元（motion primitives）来实现高效协同规划，在计算效率和通信开销之间取得了良好平衡。 核心思想包括： 1. **运动基元（Motion Primitives）**：将无人机的运动限制在一组预先定义好的动作集合中，如直线飞行、转弯等，从而减少在线计算复杂度。 2. **分布式规划**：每个无人机基于局部信息进行决策，减少了对全局信息的依赖，提升了系统的可扩展性。 3. **冲突避免机制**：采用高效的避障策略确保大规模蜂群在密集环境中的安全飞行。 4. **适用于大规模部署**：相比传统方法，Primitive-Swarm在计算资源消耗和通信需求方面显著降低，适合成百上千架无人机的协同任务。 该方法在仿真和实际实验中都展示了良好的性能表现，尤其是在动态环境中实现高密度、无冲突的群体飞行。 --- ```python # 示例伪代码框架（非真实实现） class PrimitiveSwarmPlanner: def __init__(self, drone_num, env_map): self.drone_num = drone_num self.env_map = env_map self.motion_primitives = self.load_motion_primitives() def load_motion_primitives(self): # 加载预定义的运动基元 return ["straight", "left_turn", "right_turn", "hover"] def plan(self, goals): paths = [] for i in range(self.drone_num): # 每个无人机根据局部信息选择最优基元 path = self.select_best_primitive(goal=goals[i]) paths.append(path) return paths def select_best_primitive(self, goal): # 简化逻辑：选择最短路径且不冲突的基元 return min(self.motion_primitives, key=lambda p: self.evaluate(p, goal)) ``` ---
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