Life1213的博客

在医学图像分割领域中，CNN是主流，其中UNet十分常用。尽管基于CNN的方法有优秀的表征能力，对局部信息有很好的效果，但是其固有的局限性导致。现在出现了使用Transformer进行分割，Transformer在，但因此，本文提出将，并结合UNet的U型结构。结合二者的优点，让网络既可以获得低级特征，又可以获得全局上下文。TransUNet具有强大的学习的能力。

AL也称为异常分割，用于生成像素级异常定位结果，它不仅仅关注图像类别，更关注异常的详细位置。RAMFAE：一种基于自编码器的新型无监督视觉异常检测方法。OmniAL：用于无监督异常定位的统一 CNN 框架。

其中。

在治疗neovascular age-related macular degeneration (nAMD)时，对视网膜的SD-OCT图像进行分割很重要。原因：经过下采样会导致空间信息的损失，而该模型需要使用空间推理能力来分割图像，因此需要补充这些信息。表示模型能够较好地识别出所有真实的负类样本，避免将健康的样本误诊为正类，在图像分割邻域，空间推理用于理解图像中像素或区域的。为了提高自动分割的性能，解决UNet的学习过程会。的深度学习模型，常用于非欧几里得空间的数据。例如，在医学图像中，某些病灶区域的。