Introduction
Depuis 2015, l'UNET a fait des percées majeures dans la segmentation de l'image médicale, ouvrant l'ère de l'apprentissage en profondeur. Les chercheurs ultérieurs ont apporté de nombreuses améliorations sur la base de l'UNET afin d'améliorer les performances de la segmentation sémantique.
Dans ce projet, nous avons compilé les modèles de segmentation sémantique liés à l'UNET ( famille UNET ) ces dernières années. Ma mise en œuvre est principalement basée sur Pytorch , et d'autres implémentations sont collectées auprès de l'auteur de Paper Original ou d'excellents référentiels. Pour mémoire, ce projet est toujours en construction . Si vous avez des conseils ou des questions, veuillez soulever un problème ou me contacter par e-mail.
De plus, pourquoi le réseau neuronal de l'UNEt fonctionne-t-il bien dans la segmentation de l'image médicale? Vous pouvez le comprendre à partir de ma réponse à Zhihu.
Non-famille non
2015
- U-NET: Réseaux convolutionnels pour la segmentation biomédicale (MiccAI) [Papier] [My-Pytorch] [Keras]
2016
- V-Net: Réseaux de neurones entièrement convolutionnels pour la segmentation volumétrique de l'image médicale [Papier] [CAFE] [Pytorch]
- 3D U-NET: Apprentissage de la segmentation volumétrique dense de l'annotation clairsemée [papier] [pytorch]
2017
- H-densenenet: Hybride densément connecté UNET pour la segmentation du foie et des tumeurs à partir de volumes CT (transactions IEEE sur l'imagerie médicale) [Papier] [Keras]
- GP-UNET: Détection des lésions à partir d'étiquettes faibles avec un réseau de régression 3D (MiccAI) [Papier]
2018
- Unet ++: une architecture U-Net imbriquée pour la segmentation de l'image médicale (Miccai) [papier] [mytorch] [keras]
- MDU-NET: U-NET à échelle multi-échelle densément connectée pour la segmentation d'image biomédicale [Papier]
- Dunet: un réseau déformable pour la segmentation des vaisseaux rétiniens [papier]
- RA-UNET: Un réseau hybride profond profond pour extraire le foie et la tumeur dans les tomodensitométrie [papier]
- Net U multi-chemins dense pour la segmentation des lésions de l'AVC ischémique dans plusieurs modalités d'image [papier]
- Net en U dense empilé avec deux transformateurs pour un alignement de face robuste [papier]
- Segmentation de la prostate à l'aide d'un net U ponté 2D [papier]
- NNU-NET: Cadre d'auto-adaptation pour la segmentation d'image médicale basée sur U-NET [Papier] [Pytorch]
- SUNET: Une architecture d'apprentissage en profondeur pour la segmentation des lésions actuelles aiguës et la prédiction des résultats dans l'IRM multimodale [papier]
- IVD-NET: Localisation et segmentation du disque intervertébral dans l'IRM avec un non-modal non-modal [papier]
- Laddernet: réseaux multipaths basés sur U-NET pour la segmentation de l'image médicale [papier] [Pytorch]
- Segmentation du gliome avec unet en cascade [papier]
- Attention u-net: apprendre où chercher le pancréas [papier]
- Réseau de neurones convolutionnel résiduel récurrent basé sur U-NET (R2U-NET) pour la segmentation de l'image médicale [Papier]
- Spatial et canal simultanés «Squeeze & Excitation» dans les réseaux entièrement convolutionnels [papier]
- Un réseau U probabiliste pour la segmentation des images ambiguës (NIP) [papier] [TensorFlow]
- Anatomynet: Apprentissage en profondeur pour la segmentation rapide et entièrement automatisée du volume entier de l'anatomie de la tête et du cou [papier]
- 3D ROI-AWARE U-NET pour une segmentation précise et efficace du cancer colorectal [papier] [pytorch]
- Détection et délimitation de l'infarctus cérébral aigu sur DWI en utilisant l'apprentissage automatique faiblement supervisé (Y-Net) (Miccai) [Paper] (page 82)
- UNET entièrement dense pour la tomographie photoacoustique clairsemée 2D Retrait des artefacts [papier]
2019
- Multiresunet: Repenser l'architecture U-Net pour la segmentation multimodale de l'image biomédicale [Papier] [Keras]
- U-Netplus: Une architecture U-Net de coder modifiée pour la segmentation sémantique et d'instance de l'instrument chirurgical [papier]
- Carte de probabilité guidée Bidirectional récurrente UnET pour la segmentation du pancréas [papier]
- CE-NET: Réseau de codeur de contexte pour la segmentation des images médicales 2D [Papier] [Pytorch]
- Graphique U-net [papier]
- Une nouvelle fonction de perte focale de Tversky avec une amélioration de l'attention U-NET pour la segmentation des lésions (ISBI) [papier]
- ST-UNET: Une réseaux en U spatio-temporelle pour la modélisation des séries chronologiques structurées graphiques [Papier]
- Attention sensible à la connexion U-NET pour une segmentation précise des vaisseaux rétiniens [papier]
- CIA-NET: Segmentation des instances de noyaux robustes avec agrégation d'informations consacrées au contour [papier]
- W-net: UN-NET renforcé pour l'estimation de la carte de densité [Papier]
- Segmentation automatisée des lobes pulmonaires à l'aide de réseaux de neurones profonds guidés par coordination (ISBI oral) [papier]
- U2-NET: Un modèle bayésien U-NET avec une rétroaction de l'incertitude épistémique pour la segmentation des calques photorécepteurs dans les analyses pathologiques de l'OCT [papier]
- SCLÉRASEGNET: Un modèle U-Net amélioré avec attention pour la segmentation précise des sclétiques (ICB Honorable Mention Paper Award) [Document]
- AHCNET: Une application du mécanisme d'attention et de la connexion hybride pour la segmentation des tumeurs hépatiques dans les volumes CT [papier]
- Un réseau U Hiérarchique probabiliste pour la modélisation des ambiguïtés à plusieurs échelles [Papier]
- UN-NET récurrent pour la segmentation limitée en ressources [Papier]
- MFP-UNET: une nouvelle approche basée sur l'apprentissage en profondeur pour la segmentation du ventricule gauche dans l'échocardiographie [document]
- Un réseau U partiellement réversible pour la segmentation volumétrique d'image économe en mémoire (Miccai 2019) [Papier] [Pytorch]
- Resunet-A: un cadre d'apprentissage en profondeur pour la segmentation sémantique des données détectées à distance [papier]
- Un réseau U multi-tâches pour la segmentation avec des étiquettes paresseuses [papier]
- RAUNET: Attention résiduelle U-NET pour la segmentation sémantique des instruments chirurgicaux de la cataracte [papier]
- 3D U2-NET: Un réseau U universel 3D pour la segmentation des images médicales multi-domaines (Miccai 2019) [Papier] [Pytorch]
- SEGNAS3D: Recherche d'architecture de réseau avec optimisation globale sans dérivée pour la segmentation d'images 3D (Miccai 2019) [Papier]
- Réseau multi-fibres dilaté 3D pour la segmentation des tumeurs cérébrales en temps réel dans l'IRM [papier] [pytorch] (Miccai 2019)
- Le problème de décalage de domaine de la segmentation de l'image médicale et de l'adaptation des fournisseurs par Unet-Gan [papier]
- UN-NET récurrent pour la segmentation limitée en ressources [Papier] (ICCV 2019)
- U-Net Siamois avec un modèle sain pour une segmentation précise de l'hémorragie intracrânienne (Miccai 2019)
2020
- U ^ 2-net: aller plus loin avec une structure en U imbriquée pour la détection d'objets saillants (reconnaissance de modèle 2020) [Papier] [Pytorch]
- UNET 3+: Un UNET connecté à grande échelle pour la segmentation de l'image médicale (ICASSP 2020) [Papier] [Pytorch]
Référence
- https://github.com/ozan-oktay/attention-teted-networks (notre style de modèle se réfère principalement à ce référentiel.）
