UNet+注意力机制双结合速度狂提98.82％！起步发一区！

UNet结合注意力机制是一种在图像分割任务中广泛应用的技术，通过引入注意力机制，能够显著提升模型对关键区域的关注度，从而提高分割精度和效率。

我还整理出了相关的论文+开源代码，以下是精选部分论文

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】   

论文1

标题：

Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet

基于改进注意力Unet的腰椎椎体全景分割与标记

方法：

• 改进的注意力Unet架构：提出了一种改进的注意力Unet架构，用于3D MRI数据的全景分割。该架构通过增加编码器和解码器的层数，增强了特征提取和空间分辨率恢复能力。

• 多标签掩码生成：采用基于质心的掩码技术，结合椎体的面积和直径特征，为每个2D MRI切片生成掩码

创新点：

• 改进的注意力Unet架构：通过增加编码器和解码器的层数，显著提升了模型的特征提取能力和空间分辨率恢复能力，从而提高了分割精度。

• 多标签掩码生成技术：通过结合椎体的几何特征（如面积和直径）生成掩码，有效解决了数据稀缺问题，并支持多类椎体标记。

• 高精度分割与标记：模型在腰椎椎体标记任务中达到了99.5%的准确率，显著优于现有方法。

• 适应性与临床应用潜力：该方法不仅适用于多种MRI数据，还具备与机器人手术工具集成的潜力，有望改善手术规划和治疗效果。

论文2

标题：

Radio frequency interference detection using efficient multiscale convolutional attention UNet

基于高效多尺度卷积注意力Unet的射频干扰检测

方法：

• EMSCA-UNet模型：提出了一种结合多尺度卷积和注意力机制的深度学习模型，用于射频干扰（RFI）检测。

• 多尺度卷积操作：通过多尺度卷积核提取不同尺度大小的RFI特征，增强模型对局部和全局信息的处理能力。

创新点：

• 多尺度卷积与注意力机制结合：通过多尺度卷积和注意力机制的结合，模型能够同时处理局部和全局信息，显著提高了RFI检测的准确性和全面性。

• 性能提升：与U-Net等现有模型相比，EMSCA-UNet在所有评估指标（精确率、召回率、F1分数和IoU）上平均提升了约5%。

• 边缘检测优化：模型在RFI检测中提供了更精细的边缘检测，同时最小化了有用信号的损失。

• 数据增强的有效性：通过数据增强技术，模型的泛化能力得到显著提升，进一步优化了检测性能。

论文3

标题：

Multilevel Attention Unet Segmentation Algorithm for Lung Cancer Based on CT Images

基于CT图像的多级注意力Unet肺癌分割算法

方法：

• 截面直方图算法：基于16位CT图像的亮度特征，提出了一种截面直方图算法，专注于肺实质区域。

• 记忆增强型Unet架构：利用肺癌的空间相关性，提出了一种基于注意力机制的Unet架构，并引入跳跃连接以增强特征提取能力。

创新点：

• 截面直方图算法：通过优化阈值分割技术，实现了对肺实质区域的高效提取，AOM（面积重叠度量）达到0.96，显著优于传统方法（如OTSU算法的0.90）。

• 注意力机制的引入：通过记忆增强型Unet架构，模型能够专注于肺癌区域，提高了分割精度，AOM达到0.93，比传统Unet（0.84）提高了9.3%。

• 混合损失函数：通过结合BCEWithLogits损失和Dice损失，解决了数据不平衡问题，提高了模型对正样本的识别能力，Dice系数达到0.92，比单一损失函数提高了约5%。

• 可解释性与效率：算法模拟医生的诊断流程，先进行粗分割再进行精分割，显著提高了分割效率，单次检测时间约为13秒，远低于医生的检查时间（至少10分钟）。

论文4

标题：

Multi-TranResUnet: An Improved Transformer Network for Solving Multi-Scale Issues in Image Segmentation

Multi-TranResUnet：一种改进的Transformer网络，用于解决图像分割中的多尺度问题

方法：

• Transformer模块与CNN融合：提出了一种结合Transformer模块和卷积结构的编码器，通过特征融合策略提升特征提取能力。

• 层次化特征融合策略：设计了一种层次化融合策略，将Transformer分支和CNN分支的特征图进行融合，以处理尺度变化。

创新点：

• Transformer与CNN融合：通过结合Transformer和CNN的优势，模型能够同时学习全局特征和局部重复特征，Dice系数在ISIC2018数据集上达到89.85%，比传统Unet提高了1.33%。

• 层次化特征融合：通过优化特征融合策略，模型在处理多尺度目标时表现出色，Dice系数在DSBC2018数据集上达到93.18%，比SwinUnet提高了1.79%。

• 优化的Transformer架构：通过减少参数复杂性和推理延迟，模型在保持高精度的同时，推理延迟仅为0.0087秒，比SwinUnet提高了96.91%。

• 跨层残差连接：通过引入残差连接，模型能够更好地处理医学图像中的复杂结构，MIoU在KI数据集上达到92.53%，比MedT提高了5.96%。

 

更多论文料可以关注：AI科技探寻，发送：111  领取更多[论文+开源码】