XiaoMi-AI文件搜索系统
World File Search SystemUnet
在CT图像中具有缺血和出血检测，具有分类模型的超参数优化和改进的UNET分割模型
抽象深度学习是一种强大的技术，已应用于使用医学成像进行中风检测。中风是一种医疗状况，当大脑的血液供应中断时，会导致脑部损伤和其他严重的并发症。中风检测对于最大程度地减少损害并改善患者预后很重要。中风检测最常见的成像方式之一是CT（计算机断层扫描）。ct可以提供大脑的详细图像，可用于识别中风的存在和位置。深度学习模型，尤其是卷积神经网络（CNN），已经显示出使用CT图像检测中风的希望。这些模型可以学会自动识别图像中指示中风的模式，例如梗塞或出血的存在。在CT图像中用于中风检测的深度学习模型的一些示例是U-NET，通常用于医疗图像分割任务，而CNN已经过训练，这些CNN已经过训练，可以将脑CT图像分类为正常或异常。这项研究的目的是确定在没有造影剂的情况下拍摄的脑CT图像的中风类型，即闭塞（缺血）或出血（出血）。中风图像，并由医学专家构建数据集。深度学习分类模型通过超参数优化技术评估。并使用改进的UNET模型进行了分割，以可视化CT图像中的中风。分类模型，VGG16获得了％94成功。UNET模型达到了％60 iou，并检测到缺血和出血差异。
使用UNET变压器神经网络在染色的微观切片上进行定量木材解剖结构
森林在地面碳循环中至关重要，并且对它们对持续气候变化的反应的了解对于确定未来的碳浮动和气候轨迹至关重要。在具有对比季节的区域，树木形成可以分配给日历年的离散年环，从而可以提取有关树木对环境的反应的宝贵信息。木材的解剖结构提供了有关树木对气候的反应和适应的高度分辨信息。定量木材解剖结构有助于通过使用木材微剖面的高分辨率图像在细胞水平上测量木材来检索这些信息。然而，尽管在识别细胞结构方面已经取得了很大的进步，但获得有意义的细胞信息仍然受图像上正确的年度树环界定的阻碍。这是一项耗时的任务，需要经验丰富的操作员手动界定环边界。基于像素值的自动分割的经典方法正在用能够区分结构的新方法代替，即使分界需要高水平的专业知识。尽管已使用神经网络进行木环的分割，但木制的木材图像，但阔叶物种染色的微观切片中细胞模式的复杂性需要自适应模型才能准确地完成此任务。我们在山毛榉核心染色的横截面微隔板图像上使用神经网络提出了自动树环边界划定。基于卷积神经网络的应用我们训练了一个UNETR，一个UNET的联合神经网络和视觉变压器的注意机制，以自动分段年度环边界。考虑到具有手动分割的差异以及数量木材解剖学分析目标的差异以及差异的后果。在大多数情况下（91.8％），自动分割匹配或改进了手动细分，即使将手动细分视为更好的情况，两种类别之间的船只分配率也相似。
![arxiv：2403.05246v2 [eess.iv] 2024年3月11日](/simg/g:\will\search\icon\source\a\ad165b6a13abf37d21eab57efce88a670bdff83c.webp)
arxiv：2403.05246v2 [eess.iv] 2024年3月11日
摘要。unet及其变体已被广泛用于医学图像分割。但是，这些模型，尤其是基于变压器体系结构的模型，由于其大量参数和计算负载而构成挑战，因此它们不适合进行医疗保健应用。最近，由Mamba出现的国家空间模型（SSM）已成为CNN和Transformer Architectures的竞争替代品。在此基础上，我们将Mamba用作UNET内CNN和Transformer的轻巧替代品，目的是应对实际医疗环境中计算资源限制所带来的挑战。为此，我们介绍了将Mamba和UNET集成在轻量级框架中的轻量级Mamba UNET（Lightm-Unet）。具体来说，Lightm-Unet以纯Mamba的方式利用残留的视觉Mamba层来提取深层的语义特征和模型的长距离空间依赖性，并具有线性的组合复杂性。在两个现实世界2D/3D数据集上进行的广泛实验表明，Lightm-Unet超过了现有的状态文献。值得注意的是，与著名的NNU-NET相比，Lightm-Unet可实现卓越的分割性能，而Drasti则可以重新将参数和计算成本降低116X和21X。这突出了Mamba在促进模型轻量化方面的潜力。我们的代码实现可在https：//github.com/mrblankness/lightm-unet
计算机视觉和深度学习在水下栖息地鱼类分类中的应用：一项调查
图 5 演示了流行的 CNN 架构 UNET（Ronneberger 等人，2015 年）。UNET 的第一个组件是编码器，用于从输入图像中提取特征。第二个组件是解码器，用于输出每个像素的分数。该网络由五个不同的层组成，包括卷积层 (Conv Layer)、整流线性单元 (ReLU)、池化、反卷积层 (DeConv) 和 SoftMax。在这里，DNN 层的任务是只给输入图像中属于鱼身的像素高分，从而得到所示的白色斑点输出，显示鱼的位置
将残差、密集和初始块集成到 nnUNet 中
摘要 —nnUNet 是一个完全自动化且可通用的框架，它可以自动配置应用于分割任务的完整训练管道，同时考虑数据集属性和硬件约束。它利用了一种基本的 UNet 类型架构，该架构在拓扑方面是自配置的。在这项工作中，我们建议通过集成更高级的 UNet 变体（例如残差、密集和初始块）的机制来扩展 nnUNet，从而产生三种新的 nnUNet 变体，即残差-nnUNet、密集-nnUNet 和初始-nnUNet。我们已经在由 20 个目标解剖结构组成的八个数据集上评估了分割性能。我们的结果表明，改变网络架构可能会提高性能，但提高的程度和最佳选择的 nnUNet 变体取决于数据集。索引词 —nnUnet、生物医学图像分割、残差网络、密集网络、初始网络。
Ramy A. Zeineldin*、Alex Pollok**、Tim Mangliers**、Mohamed E. Karar、Franziska Mathis- Ullrich 和 Oliver Burgert 胸罩的深度自动分割
摘要：术中成像可帮助神经外科医生确定脑肿瘤和其他周围脑结构。介入超声 (iUS) 是一种方便的检查方式，扫描时间快。然而，iUS 数据可能受到噪声和伪影的影响，从而限制了它们在脑外科手术期间的解释。在这项工作中，我们使用两个深度学习网络，即 UNet 和 TransUNet，对 iUS 数据中的脑肿瘤进行自动和准确的分割。实验是在 27 个 iUS 体积的数据集上进行的。结果表明，使用带有 UNet 的转换器有利于提供有效的分割建模，从而对每个 iUS 图像之间的长距离依赖关系进行建模。特别是，增强型 TransUNet 能够以超过 125 FPS 的推理率预测 iUS 数据中的腔体分割。这些有希望的结果表明，深度学习网络可以成功部署以协助手术室中的神经外科医生。
![arxiv：2402.05079v2 [eess.iv] 2024年3月30日](/simg/g:\will\search\icon\source\2\2cc87b240d96e4b59e1f32ad379715883beaa530.webp)
arxiv：2402.05079v2 [eess.iv] 2024年3月30日
摘要。在医学图像分析的最新进展中，综合神经网络（CNN）和视觉变压器（VIT）设定了重要的基准。虽然前者通过其卷积行动占领了当地的效果，但后者通过利用自我发场机制来实现非凡的全球环境理解。然而，两种体系结构在有效地对医学图像中的长期依赖性建模时都表现出局限性，这是精确分割的关键方面。受到Mamba体系结构的启发，该建筑的熟练程度熟练地处理长序列和以提高计算效率作为状态空间模型（SSM）的全球上下文信息，我们提出了Mamba-Unet，这是一种新颖的体系结构，这是一种具有MAMBA能力的医学图像序列中的U-NET。mamba-unet采用了基于跳过连接的纯净视觉曼巴（VMAMBA）基于编码器的结构，以在网络的不同尺度上保留空间信息。此设计促进了一个全面的特征学习过程，捕获了复杂的细节和医学图像中更广泛的疾病环境。我们在VMAMBA块中引入了一种新颖的集成机制，以确保编码器和解码器路径之间的无缝连通性和信息流，从而增强分割性能。我们对公开可用的ACDC MRI心脏分割数据集进行了实验，并进行了Synapse CT CT腹部分割数据集。结果表明，在同一超参数设置下，Mamba-Unet在医疗图像分割中的表现优于几种类型的UNET 1。源代码和基线信息可在https://github.com/ziyangwang007/mamba- unet上获得。
一种适用于航空航天结构的可优化超像素和特征迁移图像分割方法
摘要：缺乏高质量、高度专业化的标注图像以及昂贵的标注成本一直是图像分割领域的关键问题。然而，目前的大多数方法，如深度学习，一般需要大量的训练成本和高质量的数据集。因此，针对小样本图像分割问题，该文提出了一种基于简单线性迭代聚类（SLIC）、特征迁移模型和随机森林（RF）分类器的可优化图像分割方法（OISM）。该方法利用SLIC通过聚类提取图像边界，利用Unet特征迁移模型获取多维超像素特征，利用RF分类器预测和更新图像分割结果。结果表明，所提出的OISM具有可接受的准确率，并且比改进的Unet模型更好地保留了目标边界。此外，OISM 显示出处理涡轮叶片疲劳图像识别的潜力，这也是一种有前途的有效图像分割方法，可以揭示航空发动机部件高性能结构的微观损伤和裂纹扩展。
使用扩散模型 - 补充材料
所提出的StableVSR建立在单个图像超分辨率（SISR）的预训练潜在扩散模型（LDM）上。我们使用稳定的扩散×4上放大器（SD×4 Upscaler）4。它遵循LDM框架[14]，该框架将迭代精炼过程执行到潜在空间中，并使用VAE解码器D [7]将潜伏期解码为RGB图像。从低分辨率的RGB图像LR（条件图像）和初始嘈杂的潜在X t开始，使用denoising Unet ϵθ用于通过迭代改进过程生成高分辨率对应物。在此过程中，从LR引导的X t逐渐消除了噪声。在定义数量的采样步骤之后，使用VAE解码器D [7]将获得的潜在X 0解码为高分辨率的RGB图像HR。所获得的图像HR的分辨率比低分辨率图像LR高的分辨率高，因为D执行×4升级。实际上，低分辨率的RGB图像LR和初始噪声潜在X t沿通道尺寸加入并输入到denoising unet中。
朝着学习模拟年际水...
在气候模型中模拟稳定水同位素体（即同位素组成不同的分子）的丰度，可以与代理数据进行比较，从而检验有关过去气候的假设并在不同的气候条件下验证气候模型。然而，许多模型在运行时并没有明确模拟水同位素体。我们研究了使用机器学习方法取代基于物理的降水中氧同位素组成的明确模拟的可能性。这些方法针对给定的表面温度和降水量场，估计每个时间步长的同位素组成。我们基于成功的 UNet 架构实现卷积神经网络 (CNN)，并测试球形网络架构是否优于将地球经纬度网格视为平面图像的简单方法。我们使用 iHadCM3 气候模型对过去一千年的运行情况进行案例研究，发现同位素组成时间变异的约 40% 可以通过跨年和月度时间尺度的模拟来解释，且模拟质量在空间上存在差异。经测试的 CNN 性能显著优于简单的基线模型，例如随机森林和逐像素线性回归。针对平面图像的标准 UNet 架构的修改版本，其预测结果与球形 CNN 的预测结果相当。不同气候模型中同位素实现方式的差异，可能导致在使用与训练模型不同的气候模型获取的数据进行测试时，模拟结果出现显著下降。未来稳定水同位素模拟的研究方向可能侧重于实现稳健的气候-氧同位素关系，或探索可能的预测变量集。