Swin-Unet: Unet-like Pure Transformer forMedical Image Segmentation

最新推荐文章于 2025-03-12 13:33:27 发布
最新推荐文章于 2025-03-12 13:33:27 发布
阅读量414 收藏 9
点赞数 2
分类专栏： segmentation
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。
本文链接：https://blog.youkuaiyun.com/fanre/article/details/118541882
版权
博客给出了链接https://arxiv.org/abs/2105.05537 ，并表明这是一个2D图像网络相关内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

利用Swin-Unet(Swin Transformer Unet)实现对文档图片里表格结构的识别
qq_20182781的博客
07-27 360
利用Swin-Unet(Swin Transformer Unet)实现对文档图片里表格结构的识别。见本项目中的table_line_infer.py。## 训练（tensorflow2.5版本训练）## 下载weights模型文件。- [ ] 结果转为excel。将模型文件放到model目录下。- [x] 识别表格中的线条。
Swin-Unet: Unet-like Pure Transformer forMedical Image Segmentation 医疗图像分割阅读笔记
weixin_43656644的博客
03-22 7811
原文地址：https://arxiv.org/pdf/2105.05537.pdf 收录：CVPR 2021 代码:https://github.com/Beckschen/TransUNet 首篇将transformers用于医疗分割的文章 设计的Idea：UNet +transformers的结合体，使用的具体模块:ViT+ResNet50+skip connection 对关键的公式，和结构图进行了个人的一些注释，供大家参考。 目录 摘要 1 Introduction 2 ...
[Transformer]Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
qq_37151108的博客
10-20 4838
Swin-UNet：基于纯Transformerde的医学图像分割网络 Abstract 近年来CNN已经成为医学图像分析任务的基础结构，尤其是融合了编解码结构和skip-connection的U型网络广泛应用于各种医学图像分析任务。然而受限于卷积操作的局部性，CNN并不能很好的学习全局信息以及长程语义信息。 本文提出的Swin-UNet,是一个纯基于Transformer搭建的U型网络，可以用于医学图像分割任务。
Swin-UNet取标记后的图像patch作为输入，搭建的U型网络包含编解码结构以及skip
SWIN-UNET网络复现（高效无bug）
ghuuj90uio的博客
03-12 730
SWIN-UNET训练解决问题
图像分割（三）—— Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
qq_42208244的博客
09-12 4755
transformer图像分割
[深度学习论文笔记]Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
热门推荐
Slientsake的博客
05-26 5万+
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation Swin-Unet：用于医学图像分割的类Unet纯transformer 论文：https://arxiv.org/abs/2105.05537 代码：https://github.com/HuCaoFighting/Swin-Unet
【论文阅读笔记】Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
qq_46056318的博客
01-22 7261
Swin-Unet：用于医学图像分割的类Unet纯Transformer2022年发表在 Computer Vision – ECCV 2022 WorkshopsPaperCode在过去的几年里，卷积神经网络（CNN）在医学图像分析方面取得了里程碑式的成就。特别是基于U型结构和跳跃连接的深度神经网络，已经广泛应用于各种医学图像任务中。然而，尽管CNN取得了优异的性能，但由于卷积运算的局部性，它不能很好地学习全局和远程语义信息交互。
【论文+代码】Swin-Unet Unet-Like Pure Transformer for Medical Image Se
05-11
【论文+代码】Swin-Unet Unet-Like Pure Transformer for Medical Image Segmentation 代码亲测可运行，想要读代码改进的，从main.py开始
LeViT-UNet: Make Faster Encoders with Transformer for Medical Image Segmentation
qq_52241167的博客
08-07 1565
Transformer 最初被用于 (NLP) 任务中的序列到序列建模，例如机器翻译、情感分析和信息提取。最近，基于 Transformed 的架构（称为 ViT [9]）已应用于视觉相关任务，并通过大规模预训练在图像分类任务中取得了最先进（SOTA）的结果数据集[10][11]。它们也被研究用于语义分割，例如。然而，这些基于 Transformer 的方法的主要局限性在于对计算能力的高要求，这阻碍了它们在实时应用中的使用，例如放射治疗。LeViT [11]
文献翻译（Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation）
m0_54187478的博客
02-23 5400
在医学图像分析的最新进展中，卷积神经网络（CNN）和视觉变换器（ViT）已经设定了重要的基准。前者擅长通过卷积运算捕捉局部特征，而后者通过利用自注意机制实现了显著的全局上下文理解。然而，这两种架构在有效地建模医学图像中的长程依赖性方面都存在局限性，这是精确分割的关键方面。受Mamba架构的启发，我们提出了Mamba UNet，这是一种将医学图像分割中的U-Net与Mamba的能力协同的新架构。
VM-UNet: Vision Mamba UNet for Medical Image Segmentation
通街是密人有的博客
02-23 4019
在医学图像分割领域，基于CNN和基于Transformer的模型都得到了广泛的探索。然而，CNN在远程建模能力方面表现出局限性，而Transformer则受到二次计算复杂性的阻碍。最近，以Mamba为例的状态空间模型(SSM)作为一种很有前途的方法出现了。它们不仅在远程相互作用建模方面表现优异，而且保持了线性计算复杂度。本文利用状态空间模型，提出了一种用于医学图像分割的U-shaped架构模型，命名为视觉Mamba UNet (VM-UNet)。
Swin-Unet-Transformer网络-用于语义分割-二分类
03-21
1.增加了数据加载部分，二分类loss 2.必要的中文注释 3.附带了自己的数据集 4.有问题随时联系
【ECCV2022】Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
m0_61899108的博客
08-22 3814
文如题名，本文使用纯Transformer构建Unet网络，用于医学图像分割。本文用Swin Transformer替换Unet全部结构，构建出Swin-UNet。
论文笔记：Swin-Unet: Unet-like Pure Transformer for MedicalImage Segmentation
qq_40206371的博客
07-24 807
其中SwinTransformerblock也是一样的（两个一组）U-net的结构，只不过里面不再是CNN了，而是Transformer。
Transformer论文阅读（二）：Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation
qq_38296005的博客
08-20 2460
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation 【用于医学图像分割的Unet形的纯Transformer】Abstract1 Introduction2 Realted work2.1 CNN-based methods2.2 Vision transformers2.3 Self-attention/Transformer to complement CNNS3 Method3.1 Architecture over
Swin Unet——结合U-Net和Transformer的医学图像分割的网络解析
知来者逆的博客
04-15 9596
Swin-Unet的性能被与纯CNN和结合了CNN的Transformer方法进行了比较。实验结果表明，Swin-Unet在多器官分割任务上取得了优于其他方法的性能。这可能是因为Swin-Unet能够有效地结合局部和全局信息，从而更好地理解医学图像中的复杂结构。
Swin-Unet【CVPR2021】
weixin_42069777的博客
09-29 2745
文章：Cao H, Wang Y, Chen J, et al. Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation[J]. arXiv preprint arXiv:2105.05537, 2021. 代码:link.
Swin-UNet：基于纯 Transformer 结构的语义分割网络
weixin_37737254的博客
07-25 4891
VisualTransformerAuthor：louwillMachine Learning Lab 自从Transformer被引入计算机视觉以来，催生了大量相关研究与应用。在...
Swin-Unet数据集snapse
最新发布
03-21
<think>好的，我现在需要处理用户关于Swin-UNet数据集和资源的问题。用户提到了Swin UNETR，根据引用[1]，Swin UNETR是原始UNETR的修改版，使用Swin Transformer作为编码器。用户现在想找相关的数据集或示例数据源，特别是下载链接。 首先，我应该回忆Swin-UNet相关的论文或项目，看看他们使用了哪些数据集。Swin-UNet最初可能是在医学图像分割任务中应用的，比如Synapse多器官分割数据集。这个数据集在多个医学影像分割论文中被提到过，包括TransUNet等。引用[2]中的例子来自波茨坦数据集，但那个看起来像是遥感图像分割，可能和用户的需求不符，不过用户可能也需要其他类型的数据集。 接下来，我需要确认是否有公开可用的数据集链接。比如Synapse数据集通常需要从官方网站申请，可能需要填写表格才能获取。另外，医学影像常用的数据集还有BraTS（脑肿瘤分割）、ACDC（心脏分割）等。此外，Swin-UNETR的GitHub仓库可能有示例数据或指导，用户可能需要检查他们的代码库。 用户可能需要具体的下载链接，但有些数据集不能直接下载，需要申请权限。比如Synapse数据集（MICCAI 2015 Multi-Atlas Abdomen Labeling Challenge）可能需要通过他们的网站申请。BraTS数据集可以在Synapse平台或特定比赛页面找到。 另外，Swin-UNet的GitHub页面可能提供预处理过的数据链接或示例数据。比如作者可能使用了一些公开数据集，并在他们的代码库中给出数据准备的说明。所以建议用户查看官方仓库的文档部分。 还需要考虑用户可能需要的资源类型，比如预训练模型、代码示例等，这些通常在GitHub上提供。例如，Swin-UNETR的官方仓库可能有数据加载的脚本或配置文件的示例，指导如何组织数据。 总结可能的步骤： 1. 检查Swin-UNet或Swin UNETR的原始论文，确认使用的数据集。 2. 查找这些数据集的官方获取途径。 3. 提供相关GitHub链接，用户可能在那里找到数据处理指南或示例。 4. 提醒用户某些数据集需要申请或遵守使用协议。 5. 如果示例数据不可直接下载，建议用户参考论文中的实验部分或联系作者。 需要确保回答准确，并引用用户提供的引用内容中的相关信息。例如，引用[1]提到Swin UNETR的结构，引用[2]展示了波茨坦数据集的使用，但用户的问题可能更关注医学影像的数据集，所以可能需要区分不同领域的数据源。 可能的资源包括： - Synapse多器官分割数据集（MICCAI 2015） - BraTS脑肿瘤数据集 - ACDC心脏数据集 - MSD（Medical Segmentation Decathlon） - ADNI（阿尔茨海默病神经成像计划） 每个数据集的具体获取方式不同，需要详细说明。同时，可能需要指出Swin-UNETR在3D医学影像中的应用，所以3D数据集更为相关，如KiTS19（肾脏肿瘤分割）等。 最后，确保回答的结构清晰，分点列出数据集、获取方式、相关资源链接，并添加引用标识。</think>关于Swin-UNet及相关模型的数据集和资源，以下是整理的信息： --- ### 1. **常用医学影像数据集** Swin-UNet和Swin UNETR主要应用于3D医学图像分割任务，常用数据集包括： - **Synapse多器官分割数据集** 包含30例腹部CT扫描数据，标注了8个腹部器官（如肝脏、胰腺、脾脏等）。 **获取方式**：需通过[Synapse多器官分割挑战赛页面](https://www.synapse.org/#!Synapse:syn3193805/wiki/217789)注册并申请访问权限[^1]。 - **BraTS（脑肿瘤分割数据集）** 包含多模态MRI脑肿瘤图像，用于胶质瘤分割任务。 **下载链接**：[BraTS 2021数据集](https://www.med.upenn.edu/cbica/brats2021/data.html)。 - **ACDC（心脏MRI分割数据集）** 包含100例心脏MRI扫描，标注左/右心室和心肌。 **下载链接**：[ACDC挑战赛数据](https://www.creatis.insa-lyon.fr/Challenge/acdc/)。 - **MSD（Medical Segmentation Decathlon）** 包含10种不同器官和疾病的3D医学影像数据。 **下载链接**：[MSD官网](http://medicaldecathlon.com/)。 --- ### 2. **Swin-UNet相关资源** - **官方代码与示例数据** Swin UNETR的代码库通常包含数据预处理脚本和示例配置： - [Swin UNETR官方GitHub仓库](https://github.com/Project-MONAI/research-contributions/tree/main/SwinUNETR) 提供BraTS和Synapse数据集的加载示例，需按格式组织数据[^1]。 - **MONAI框架支持** [MONAI](https://github.com/Project-MONAI/MONAI)库集成Swin UNETR模型，支持快速加载公开数据集（如MSD）： ```python from monai.apps import DecathlonDataset dataset = DecathlonDataset(root_dir="./data", task="Task01_BrainTumour") ``` --- ### 3. **其他示例数据源** - **KiTS19（肾脏肿瘤分割）** 包含210例肾脏CT扫描，标注肿瘤和肾脏区域。 **下载链接**：[KiTS19官网](https://kits19.grand-challenge.org/data/)。 - **Potsdam数据集（遥感图像分割）** 如引用[2]所述，该数据集用于建筑物和地物分割，可通过[ISPRS官网](https://www.isprs.org/education/benchmarks.aspx)申请[^2]。 --- ### 注意事项 - **数据使用协议**：部分数据集需签署数据使用协议（如ADNI），仅限非商业研究。 - **预处理要求**：Swin-UNet输入需为固定尺寸的3D图像，需参考官方代码进行重采样和归一化。 ---
评论 3
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