文章阅读：Multi-scale guided attention for medical image segmentation

最新推荐文章于 2025-02-18 19:16:11 发布
原创 最新推荐文章于 2025-02-18 19:16:11 发布 · 776 阅读 · 1 ·
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。

本文介绍了一种用于医学图像分割的多尺度注意力网络。该网络基于ResNet结构，通过提取并融合不同尺度的特征，结合注意力机制，提高了像素级别的识别精度。有效解决了全卷积神经网络在复杂任务中信息流冗余及表示力不足的问题。

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

原文地址： Multi-scale guided attention for medical image segmentation

概述

全卷积神经网络或编码器-解码器体系结构的问题：

  1. 尽管这两个网络具有强大的表示能力，但是这些多尺度方法导致信息流的冗余使用，例如，相似的低层特征在网络内的不同层被多次提取。
  2. 所学习的特征表示对像素方式的识别能力可能不足以应对某些挑战性任务，例如医学图像分割。
    基于此问题作者提出了多尺度策略和注意力机制来解决此问题。

model

网络结构如下所示：

模型使用resnet的结构，先提取到四种不同大小的特征，再使用注意力机制进行融合，得到四种分割结果，最后再生成分割后的图片。

如图为channel attention的细节
1
如图所示为注意力机制的模块：
在这里插入图片描述

purson2
关注
医学分割论文:Multi-scale guided attention for medical image segmentation
jlch5555的博客
06-19 1024
医学分割论文:Multi-scale guided attention for medical image segmentation Auther: Ashish Sinha, Institution:Indian Institute of Technology Roorkee, Publish year: 2019 论文地址：https://arxiv.org/abs/1906.02849 github: https://github.com/sinAshish/Multi-Scale-Attention
读论文《Enhancing Cross-Modal Medical Image Segmentation through Compositionality》
buganything的博客
08-22 963
跨模态医学图像分割是一个挑战，因为不同的成像方式会产生分辨率、对比度和解剖结构的不同表现。本文介绍了一种新的跨模态分割网络，该网络通过使用可学习的 von Mises-Fisher 核来强化学习到的表示的组合性。这些核有助于内容-风格解耦，得到的组合性内容表示在本质上是可解释的，并且有效地分离了不同的解剖结构。实验结果表明，在多个医学数据集上，与现有方法相比，所提出的方法在分割性能上有所提高，并且降低了计算成本。
笔记：Multi-scale guided attention for medical image segmentation
m0_46272163的博客
07-19 1117
Multi-scale guided attention for medical image segmentation（医学图像分割的多尺度自导向注意） 特征融合策略：金字塔池化，空洞卷积金字塔 尽管这些策略可能有助于在不同尺度上捕获对象，但所有图像区域的上下文依赖都是同构的、非自适应的，忽略了不同类别的局部表示和上下文依赖之间的差异。 这些多上下文表示是手工设计的，缺乏对多上下文表示建模的灵活性。这使得在这些方法中无法充分利用整个图像中的长距离对象关系，这在许多医学图像分割问题中具有至关重要的意义
[论文阅读]Multi-scale guided attention for medical image segmentation
gefeng1209的博客
06-21 6876
1.Introduction 传统的分割的CNN：FCN和encoder-decoder结构的CNN的问题 这些多尺度方法导致信息流的冗余使用，例如，在网络内的不同级别上多次提取类似的低级特征。 用于像素方式识别的学习到的特征表示的辨别力可能不足以用于一些具有挑战性的任务，例如医学图像分割。 特征融合策略：金字塔池化，空洞卷积金字塔 尽管这些策略可能有助于在不同尺度上捕获对象，但所有图像区...
文章快读EMCAD: Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation
weixin_55718227的博客
11-27 2350
CVPR2024最新文章，用于医疗图像分割本文介绍了一种名为EMCAD（Efficient Multi-scale Convolutional Attention Decoding）的新方法，旨在优化医学图像分割中的解码机制，特别是在计算资源有限的情况下。EMCAD通过引入一种高效的多尺度卷积注意力解码器，显著提高了分割性能和计算效率。该方法在12个医学图像分割基准数据集上进行了评估，结果显示，EMCAD在显著减少参数数量和浮点运算次数（FLOPs）的同时，达到了最先进的性能。
[Seg]EMCAD: Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation
天下事有难易乎？为之，则难者亦易矣；不为，则易者亦难矣。人之为学有难易乎？学之，则难者亦易矣；不学，则易者亦难矣。
08-20 5001
引入了EMCAD，一种新的高效的多尺度卷积注意力解码器，旨在优化性能和计算效率。EMCAD利用独特的多尺度深度卷积块，通过多尺度卷积显著增强特征图。EMCAD还采用了通道、空间和分组(大核)门控注意力机制，这些机制在关注显著区域的同时，非常有效地捕获了复杂的空间关系。通过使用分组卷积和深度卷积，EMCAD是非常有效的，并且具有良好的规模。
Multi-scale self-guided attention for medical image segmentation.pdf
05-24
文章中提及的模型和方法属于深度学习和卷积神经网络领域，同时在医学影像分割和自我注意力方面也有显著的应用。此外，本文的研究工作丰富了深度注意力机制的应用范围，尤其是展示了多尺度特征融合在提高医学图像分割...
文献翻译（BRAU-Net++: U-Shaped Hybrid CNN-Transformer Network for Medical Image Segmentation）
m0_54187478的博客
01-29 2783
准确的医学图像分割对于临床量化、疾病诊断、治疗计划和许多其他应用至关重要。基于卷积和基于Transformer的u形结构在各种医学图像分割任务中都取得了显著的成功。前者可以有效地学习图像的局部信息，同时需要卷积运算所固有的更多特定于图像的归纳偏差。后者可以使用自注意在不同的特征尺度上有效地捕捉长程依赖性，而随着序列长度的增加，它通常会遇到二次计算和内存需求的挑战。
论文阅读笔记（五十四）：V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation
sunshine_010的博客
05-14 7640
Abstract. Convolutional Neural Networks (CNNs) have been recently employed to solve problems from both the computer vision and medical image analysis fields. Despite their popularity, most approaches ...
MC-Net: multi-scale context-attention network for medical CT image segmentation
Acmer_future_victor的博客
11-15 4118
MC-Net: multi-scale context-attention network for medical CT image 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
EANet：用于医学图像分割的迭代边缘注意力网络
weixin_42489272的博客
11-21 2391
包括结构边界的模糊性、形状的复杂性和纹理的异质性，这仍然是一项具有挑战性的任务。为了全面应对这些挑战，我们提出了一种新的、有效的迭代边缘注意力网络（EANet），用于医学图像分割，步骤如下。输入是编码器的四个特征图，1x1卷积改变维度之后从低到高逐层细化，Residual Block提取特征，Gated Conv特征筛选，最后1x1卷积提取边界特征。在瓶颈层加入DSC模块，由不同空洞率的空洞卷积和DFS组成，DFS提供注意力。空洞卷积用于捕获多尺度特征，DFS特征动态选择，由于相邻尺度之间的相关性。
EANet：用于医学图像分割的迭代边缘注意网络
qq_45880982的博客
03-24 2182
医学图像的精确自动分割对临床诊断和分析有着重要的帮助。然而，由于（1）医学图像目标的尺度多样性和（2）医学图像的复杂上下文环境，包括结构边界的模糊性，形状的复杂性和纹理的异质性，它仍然是一个具有挑战性的任务。为了全面应对这些挑战，我们提出了一种新颖有效的迭代边缘注意力网络（EANet）用于医学图像分割，步骤如下。首先，我们提出了一个动态尺度感知上下文（DSC）模块，它动态地调整感受野，以有效地提取多尺度上下文信息。其次，边缘注意力保留（EAP）模块，以有效地去除噪声，并帮助边缘流专注于处理边界相关的信息。
【论文阅读】MCANet: Medical Image Segmentation with Multi-Scale Cross-Axis Attention
AI浩
12-25 3541
链接：https://arxiv.org/abs/2312.08866医学图像分割是医学图像处理和计算机视觉领域的关键挑战之一。由于病变区域或器官的大小和形状各异，有效地捕捉多尺度信息和建立像素间的长距离依赖性至关重要。本文提出了一种基于高效轴向注意力的多尺度交叉轴注意（MCA）方法来解决这些问题。MCA通过计算两个并行轴向注意力之间的双向交叉注意力，以更好地捕获全局信息。
EMCAD: Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation
weixin_56097064的博客
12-03 2608
在医学图像分割中，特别是在计算资源有限的场景下，一个高效且有效的解码机制至关重要。然而，这些解码机制通常伴随着高昂的计算成本。为了解决这一问题，我们引入了EMCAD，一种新的高效多尺度卷积注意力解码器，旨在优化性能和计算效率。EMCAD利用独特的多尺度深度卷积块，通过多尺度卷积显著增强特征图。EMCAD还采用了通道、空间和分组（大核）门控注意力机制，这些机制在捕获复杂空间关系和聚焦显著区域方面非常有效。通过使用组卷积和深度卷积，EMCAD非常高效且具有良好的扩展性。
Efficient Multi-scale Convolutional Attention Decoding for Medical Image Segmentation
最新发布
alfred_torres的博客
02-18 818
医学图像分割中，高效解码机制对计算资源受限的实际场景至关重要。针对现有方法计算成本高的问题，本文提出EMCAD解码器，通过多尺度深度可分离卷积（MSCB）和混合注意力机制，大幅优化性能与效率的平衡。MSCB模块：在轻量化设计下，通过并行多尺度卷积（核尺寸1×1、3×3、5×5）增强特征表达能力。混合注意力：融合通道注意力（CAB）和空间注意力（SAB），结合分组大核注意力门（LGAG），突出关键区域并抑制冗余信息。广泛的实验验证。
多尺度自引导注意医学图像分割
qq_45880982的博客
03-25 1458
尽管卷积神经网络（CNN）正在推动医学图像分割的进步，但标准模型仍然存在一些缺点。首先，使用多尺度方法，即，编码器-解码器架构导致信息的冗余使用，其中在多个尺度上多次提取类似的低级特征。第二，长距离的特征依赖关系没有被有效地建模，从而导致与每个语义类相关联的非最佳的判别特征表示。在本文中，我们试图克服这些限制与建议的架构，通过捕获更丰富的上下文依赖关系的基础上使用引导自我注意机制。该方法能够将局部特征与其相应的全局依赖性相结合，并以自适应的方式突出相互依赖的通道映射。
【文献阅读笔记】M2SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation
weixin_44883789的博客
08-11 1699
问题：大多现存的方法：基于U-shape结构使用逐元素相加addition）或者去逐步融合解码器中不同层级的特征。但是这两种操作会产生大量的冗余信息，从而削弱不同层级特征之间的互补性，最终导致病灶定位不准确和边缘模糊。方法：为了解决上述问题，本文提出了一种通用的multi-scale in multi-scale subtraction network (M2SNetM^2SNetM2SNet) 来完成医学图像的多样化分割。具体来说，本文首先设计一个基本减法单元。
Medical Transformer: Gated Axial-Attention for Medical Image Segmentation
阿木寺的博客
02-24 4133
表现SOTA！并提出局部-全局训练策略(LoGo)，进一步提高性能，优于Res-UNet、U-Net++等网络，代码刚刚开源！ Medical Transformer: Gated Axial-Attention for Medical Image Segmentation 作者单位：JHU, 新泽西州立大学 代码：https://github.com/jeya-maria-jose/Medical-Transformer 论文下载链接：https://arxiv.org/abs/2102.10662
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