Acmer_future_victor的博客

我们以一种有效的方式设计了UNeXt，其中具有早期卷积阶段和潜在阶段的MLP阶段。我们提出了一个tokenized的MLP块，其中我们有效地对卷积特征进行标记和投影，并使用MLP对表示进行建模。为了进一步提高性能，我们建议在输入到MLP的同时转移输入的通道，以便专注于学习本地依赖性。在潜空间中使用标记化的MLP减少了参数的数量和计算复杂性，同时能够产生更好的表示形式来帮助分割。网络还包括各级编码器和解码器之间的跳过连接

本文提出了一种模块化的组注意块，可以在两个独立的维度：通道和空间中捕获医学图像中的特征依赖关系。通过以 ResNet 样式堆叠这些组注意块，我们获得了一个新的 ResNet 变体，称为 ResGANet

在本文中，我们为二维医学图像分割制定了边界感知上下文神经网络（BA-Net），以捕获更丰富的上下文并保留精细的空间信息。 BA-Net 采用编解码器架构。在编码器网络的每个阶段，首先提出了金字塔边缘提取模块来获取多粒度的边缘信息。然后我们设计了一个小型多任务学习模块，用于联合学习分割对象掩码和检测病变边界。特别是，提出了一种新的交互式注意力来桥接两个任务，以实现不同任务之间的信息互补，有效地利用边界信息为更好的分割预测提供强有力的线索。最后，交叉特征融合模块旨在选择性地聚合来自整个编码器网络的多级特征。

我们提出了一种改进的基于 UNet 的架构来分割患者组织样本的显微图像。所提出的模型称为 IRUNet，它利用了跳跃连接中的初始块和残差块，并结合了多尺度特征，以便提取更好的分割特征。此外，为了在编码器部分提取强大的表示，已经使用了几个卷积网络作为主干，并研究了它们对分割结果的影响。

该模型具有可变形的感受野，并利用器官在位置和大小方面的结构来减少复杂背景的干扰，使其成为一种高效且准确的分割方法。提出了一个空间注意块，通过显式外部监督学习空间注意图，在特征提取过程中突出感兴趣的器官区域。此外，设置了一个可变形的卷积块，通过额外的可训练偏移量为不同器官产生合理的感受野，从而处理形状和大小的变化。此外，通过使用多尺度注意力图和高级语义信息改进了 U-Net 的跳跃连接结构。

提出了一个mask scoring regional convolutional neural network (R-CNN), 其中首先从两个独立的金字塔网络中学习综合特征，并且是然后通过深度注意力策略结合起来，突出从低能量和高能量CT两个通道中提取的信息。为了执行多器官分割并避免错误分类，将掩码评分子网络集成到 MaskR-CNN 框架中，以建立潜在检测器官的感兴趣区域 (ROI) 类别与该器官在该 ROI 内的分割形状之间的相关性

我们提出了一个深度学习模型来自动描绘头部和颈部的 OAR，该模型在 215 个计算机断层扫描数据集上进行训练，其中 28 个 OAR 由经验丰富的放射肿瘤学家手动描绘。在包含 100 次计算机断层扫描的保留数据集上，我们的模型在 28 个 OAR 中实现了 78.34% 的平均 Dice 相似性系数，分别显著优于人类专家和之前的最先进方法 10.05% 和 5.18%。我们的模型只需几秒钟即可描绘出整个扫描，而人类专家则需要半个多小时。这些发现证明了深度学习在提高放射治疗质量和减少治疗计划时间方面的潜力。.

在 U-Net 中加入了一个额外的扩展路径，以导入额外的监督信号，并通过双重监督获得更有效和鲁棒的图像分割。然后，进一步开发了一种多维自注意力机制，以突出显著特征并在空间和通道维度上连续抑制不相关的特征。最后，为了减少收缩路径和扩展路径的特征图之间的语义差异，我们进一步建议将不同连接的多尺度卷积块集成到跳跃连接中，其中几个多尺度卷积操作串联和并行连接......

为了在头颈部 (H&N) 癌症放射治疗中自动分割风险器官 (OAR)，我们在全尺寸计算机断层扫描(CT) 图像上开发了一种新的基于先验注意增强卷积神经网络 (PANet) 的逐步细化分割框架 (SRSF)。SRSF 采用多尺度分割概念构建，其中 OAR 从粗到细进行分割。 PANet 是一种金字塔结构，具有初始块和优先注意的元素。在本研究中，开发的基于 PANet 的 SRSF 应用于 H&N 放射治疗中的 OAR 分割。...

CNN Cascades 是一种两步从粗到细的方法，由简单区域检测器 (SRD) 和精细分割单元 (FSU) 组成。 SRD首先使用相对浅的网络来定义器官所在的感兴趣区域（ROI），然后FSU将较小的ROI作为输入，并采用深度网络进行精细分割。本研究使用了 100 名具有分割的头颈部患者的成像数据（14,651 个切片）。将性能与最先进的单个 CNN 在准确性方面与 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 值的度量进行了比较。...

我们定制的 CNN 架构的元素各不相同，以优化分割性能。我们测试并评估了以下影响：==在特定软组织和骨骼解剖窗口处为 CT 扫描输入使用多个对比通道，调整大小与转置卷积，以及基于重叠度量和不同组合的交叉熵的损失函数==。使用第 95 个百分位 Hausdorff 距离和平均协议距离 (mDTA) 将模型分割性能与两位医生的黄金标准分割的观察者间偏差进行比较。在流行的公共数据集上进一步验证了性能最佳的配置，以与最先进的 (SOTA) 自动分割方法进行比较。...

头颈部的癌症通常用放射治疗。 低风险治疗的一个关键步骤是在规划图像中准确地描绘有风险的器官。 深度学习在图像分割中的成功导致自动算法在特定的数据集上实现人类专家的性能。 然而，这种算法需要大量的数据集进行训练，并且无法分割以前未见的病理，而人类专家仍然能够成功。 由于病理学是罕见的，并且生成大量数据集的成本很高，我们研究了减少训练数据、批量大小和引入先验知识的影响。 .........

在本文中，我们提出了 TransUNet，它兼具 Transformer 和 U-Net，作为医学图像分割的强大替代方案。一方面，Transformer 将来自卷积神经网络 (CNN) 特征映射的标记化图像块编码为用于提取全局上下文的输入序列。另一方面，解码器对编码特征进行上采样，然后将其与高分辨率 CNN 特征图相结合，以实现精确定位。...

Unified Focal loss: Generalising Dice and cross entropy-based losses tohandle class imbalanced medical image segmentation发表期刊：Computerized Medical Imaging and Graphics’发表时间：2022年

DR-Net: dual-rotation network with feature map enhancement for medical image segmentation发表期刊： Complex&Intelligent System(大类：计算机科学2区发表时间： 2022年

Learning multi-level structural information for small organ segmentation发表期刊：Signal Processing(工程技术2区)发表时间：2022年

AnatomyNet: Deep Learning for Fast and Fully Automated Whole-volume Segmentation of Head and Neck AnatomyAnatomyNet：用于快速和全自动全体积分割头颈部解剖结构的深度学习发表期刊：Medical Physics(医学3区)发表时间：2019年Abstract**Purpose: ** 放射治疗 (RT) 是头颈部癌症的常见治疗选择。RT计划涉及的一个重要步骤是基于HaN计算机断层扫描 (

Automatic multiorgan segmentation in thorax CT images using U-net-GAN使用U-net-GAN在胸部CT图像中的自动多器官分割发表期刊：Medical Physics（医学3区）发表时间：2019年AbstractPurpose: 准确及时的风险器官 (OAR) 分割是高效和高质量放射治疗计划的关键。 这项工作的目的是开发一种基于深度学习的方法，在胸部计算机断层扫描 (CT) 上自动分割多个胸部 OAR，用于放射治疗计划。Meth

Multi-organ auto-delineation in head-and-neck MRI for radiation therapy using regional convolutional neural network使用区域卷积神经网络的头颈部 MRI 放射治疗中的多器官自动描绘期刊：Physics in Medicine and Biology时间：2021年11月14日接收，2022年1月21日发表Abstract磁共振成像 (MRI) 可以在放射治疗中对许多疾病部位进行准确，可

Deep learning-based auto segmentation using generativeadversarial network on magnetic resonance imagesobtained 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AbstractP

Organ at Risk Segmentation for Head and Neck Cancer using Stratified Learning and Neural Architecture Search使用分层学习和神经架构搜索对头颈部癌症进行风险器官分割来源：CVPR时间：2020年

# 没有matlab代码选项，用的python选项，但实际是matlab代码# 我的matlab版本是windows版本的R2022a# 加载图像，'.jpg'是图像格式，也可以是png等其他格式,'选择图像'# 是一个title，可以换成其他的，写完该行代码换行，会弹出一个对话框，可以选择自己想要操作的图像，如Fig.1所示[filename, pathname] = uigetfile({'.jpg'}, '选择图像');# 读取图像src = imread([pathname, filen

Multi-View Spatial Aggregation Framework for Joint Localization and Segmentation ofOrgans at Risk in Head and Neck CT Images头颈部CT图像中风险器官的联合定位和分割的多视图空间聚合框架发表期刊：IEEE Transactions on Medical Imaging发表时间：2020年摘要头颈部 ct 图像中高危器官(OARs)的准确分割对于有效的放射治疗至关重要。然而，现

VoxelMorph: A Learning Framework for Deformable Medical Image Registration*(VoxelMorph：一种可变形医学图像配准的学习框架）发表时间：2019年发表期刊：IEEE Transactions on Medical Imaging摘要我们提出了 voxelmorph，一个基于快速学习的框架，用于可变形的成对医学图像配准。传统的配准方法为每一对图像优化一个目标函数，这对于大数据集或者丰富的变形模型都是耗时的。相对于这种方法

MMNet: A multi-scale deep learning network for the left ventricular segmentation of cardiac MRI images期刊：Applied Intelligence 时间：2021年中科院SCI期刊分区：3区Abstract随着深度学习网络模型的发展，医学图像的自动分割变得越来越普遍。左心室腔分割是心脏疾病诊断的重要步骤，但后处理分割是一项耗时且具有挑战性的任务。这就是全自动分割方法可以帮助专家提高效率

MC-Net: multi-scale context-attention network for medical CTimage segmentation期刊：Applied Intelligence 时间：2021年中科院SCI期刊分区：3区Abstract编解码器CNN结构在很大程度上改善了CT医学图像分割，但由于编码过程中细节的丢失而遇到了瓶颈，限制了准确率的提高。为了解决这个问题，我们提出了一种多尺度上下文注意网络(MC-Net)。其关键思想是探索跨多个尺度的有用信息以及分割医学

CE-Net: Context Encoder Network for 2D MedicalImage Segmentation发表期刊：IEEE Transactions on Medical Imaging(中科院SCI一区)发表时间：2019年Abstract医学图像分割是医学图像分析的重要步骤。随着卷积神经网络在图像处理领域的迅速发展，深度学习已被用于医学图像分割，如视盘分割、血管检测、肺分割、细胞分割等。然而，连续的池化和跨步卷积操作会导致一些空间信息的丢失。本文提出了一种上下文编码器网

Deep Learning for Automated Contouring of Primary T umor Volumes by MRI for Nasopharyngeal Carcinoma深度学习在鼻咽癌MRI自动勾画原发肿瘤体积中的应用发表时间：2019年发表期刊：Radiology中科院SCI期刊分区：一区 大类学科：医学 小类学科：核医学数据存放公共平台(www.researchdata.org.cn)Background鼻咽癌(NPC)可以通过放

Deep Deconvolutional Neural Network for Target Segmentation of Nasopharyngeal Cancer in Planning Computed Tomography Images深度反卷积神经网络在规划CT图像中的鼻咽癌目标分割发表期刊：frontiers in Oncology 发表日期： 2017年中科院SCI期刊分区：3区 大类学科：医学 小类学科：肿瘤学Background

DA-DSUnet: Dual Attention-based Dense SU-net for automatic headand-neck tumor segmentation in MRI imagesDA-DSUnet：基于双重注意力的Dense SUNet在MRI图像头颈部肿瘤自动分割中的应用期刊：Neurocomputing中科院SCI期刊分区：二区大类学科：计算机科学 小类学科：计算机，人工智能发表时间：2021年Abstract对头颈部最常见的肿瘤–鼻咽癌(NPC)在

3D segmentation of nasopharyngeal carcinoma from CT images using cascade deep learning基于级联深度学习的CT图像鼻咽癌三维分割期刊：Computerized Medical Imaging and Graphics中科院SCI期刊分区：大类学科：工程技术 2区 小类学科：核医学 2区工程，生物医学：3区Abstract本文提出了一种基于深度学习的三幅正交CT图像中鼻咽癌分割的新方法。该方法

MMFNet: A Multi-modality MRI Fusion Network for Segmentation of Nasopharyngeal CarcinomaMMFNet：一种用于鼻咽癌分割的多模态MRI融合网络中科院SCI分区：二区Abstract从核磁共振图像中分割鼻咽癌是鼻咽癌放射治疗的重要前提。然而，人工分割鼻咽癌是一种费时费力的方法。此外，单模态MRI通常不能提供足够的信息来准确显示。因此，提出了一种新的融合多模态医学图像信息的多模态MRI融合网络(MMFNet)，利用

Image segmentation of nasopharyngeal carcinoma using 3D CNN with long-range skip connection and multi-scale feature pyramid基于远程跳跃连接和多尺度特征金字塔的三维CNN鼻咽癌图像分割中科院SCI分区：三区期刊：Soft ComputingAbstract鼻咽癌（NPC）是鼻咽部最常见的癌症之一。NPC的结构分析可以为治疗方法提供重要的见解。然而，在图像中手动标记NPC的边界

Fully-Automated Segmentation of Nasopharyngeal Carcinoma on Dual-Sequence MRI Using Convolutional Neural NetworksAbstract本文提出了一种基于卷积神经网络(CNN)的双序列磁共振成像(MRI)鼻咽癌自动分割方法。收集44例鼻咽癌患者的T1加权(T1W)和T2加权(T2W)MRI图像。我们开发了一种密集连通性嵌入UNet(DEU)，并基于训练数据集中的二维双序列MRI图像对该网络进行训练

Automatic Multi-Organ Segmentation on Abdominal CT With Dense V-NetworksAbstract腹部解剖在CT图像上的自动分割可以支持诊断、治疗计划和治疗提供流程，分割方法基于统计模型和多图谱标签融合(MALF)需要对象间图像配准，这对腹部图像来说是具有挑战性的，但是对于大多数腹部器官，没有配准的替代方法还没有达到更高的准确率。我们提出了一种基于深度学习的无配准分割算法，对内窥镜胰腺和胆道手术中与诊断相关的8个器官，包括胰腺、胃肠道(食道

Fully Automated Gross Tumor Volume Delineation From PET inHead and Neck Cancer Using Deep Learning Algorithms原文链接中科院SCI分区：三区（医学）总结：数据集PET图像 三种深度学习算法（Dense-Net、NN-UNet、Res-Net） 8种损失函数（Dice loss、广义Wasserstein Dice loss、Dice+XEnt loss、广义Dice loss、交叉熵、

A comparison of methods for fully automatic segmentation of tumors and involved nodes in PET/CT of head and neck cancers原文链接中科院SCI分区 二区Abstract靶区勾画是放射治疗中一个重要但耗时且具有挑战性的部分，其目标是在降低副作用风险的同时向靶区提供足够的剂量。对于头颈部癌症(HNC)来说，头颈部区域的复杂解剖和靶区与危险器官的接近使这一点变得复杂起来。本研究的目

A 3D Dual Path U-Net of Cancer Segmentation Based on MRI总结：MRI数据集（没说获得方法，也没说是不是公开数据集），采用了U-Net加DPN的方法，Dice为0.772Abstract鼻咽癌是我国最常见的恶性肿瘤之一。然而，癌症的区域是微妙的、多变的和不规则的。在传统的诊断方式中，临床医生的诊断依赖于人工勾画，耗时长，需要丰富的先验经验。近年来，U-Net和DPN(Dual Path Network)的深度学习体系分别在生物医学分割和自然场景中

Gross Tumor Volume Segmentation for Head and Neck Cancer Radiotherapy using Deep Dense Multi-modality Network总结：PET/CT图像，多模态，3D Dense-Net，对比实验：3D U-Net 单模态Dense-Net 没有消融实验Abstract在放射治疗中，大体肿瘤体积(GTV)的准确描绘是制定治疗计划的关键。然而，头颈癌(HNC)由于头部各器官形态复杂，靶区背景对比度低，以及常

Segmentation of Head and Neck Tumours Using Modified U-netAbstract提出了一种新的用于磁共振成像（MRI）头颈癌自动分割的神经网络。所提出的神经网络是基于U-net的，它结合不同分辨率的特征来实现医学图像的端到端定位和分割。在这项工作中，扩展卷积被引入到U-net中，以获得更大的感受野，从而提取多尺度特征。此外，该网络使用Dice失来减少类之间的不平衡。该算法在真实的MRI数据上进行了训练和测试。交叉验证结果表明，新网络在头颈部肿瘤分割方