การแนะนำ
ตั้งแต่ปี 2558 UNET ได้สร้างความก้าวหน้าครั้งสำคัญในการแบ่งส่วนภาพทางการแพทย์เปิดยุคของการเรียนรู้อย่างลึกซึ้ง นักวิจัยในภายหลังได้ทำการปรับปรุงมากมายบนพื้นฐานของ UNET เพื่อปรับปรุงประสิทธิภาพของการแบ่งส่วนความหมาย
ในโครงการนี้เราได้รวบรวมโมเดลการแบ่งส่วนความหมายที่เกี่ยวข้องกับ UNET ( UNET Family ) ในช่วงไม่กี่ปีที่ผ่านมา การใช้งานของฉันส่วนใหญ่ขึ้นอยู่กับ pytorch และการใช้งานอื่น ๆ จะถูกรวบรวมจากผู้เขียนกระดาษต้นฉบับหรือที่เก็บที่ยอดเยี่ยม สำหรับบันทึกโครงการนี้ยัง อยู่ระหว่างการก่อสร้าง หากคุณมีคำแนะนำหรือคำถามใด ๆ โปรดยกปัญหาหรือติดต่อฉันจากอีเมล
นอกจากนี้ทำไมเครือข่ายนิวรัล Unet ทำงานได้ดีในการแบ่งส่วนภาพทางการแพทย์? คุณสามารถคิดออกจากคำตอบของฉันใน Zhihu
ครอบครัว
ปี 2558
- U-Net: เครือข่าย convolutional สำหรับการแบ่งส่วนภาพชีวการแพทย์ (MICCAI) [กระดาษ] [My-Pytorch] [Keras]
ปี 2559
- V-NET: เครือข่ายประสาทแบบ convolutional อย่างเต็มที่สำหรับการแบ่งส่วนภาพการแพทย์ปริมาตร [กระดาษ] [คาเฟอีน] [Pytorch]
- 3d U-Net: การเรียนรู้การแบ่งส่วนปริมาตรหนาแน่นจากคำอธิบายประกอบแบบเบาบาง [กระดาษ] [Pytorch]
2017
- H-DenseUnet: UNET ที่เชื่อมต่อกันอย่างหนาแน่นสำหรับการแบ่งส่วนตับและเนื้องอกจากปริมาณ CT (ธุรกรรม IEEE ในการถ่ายภาพทางการแพทย์) [PAPER] [KERAS]
- GP-Unet: การตรวจจับรอยโรคจากฉลากที่อ่อนแอด้วยเครือข่ายการถดถอย 3 มิติ (MICCAI) [กระดาษ]
2018
- UNET ++: สถาปัตยกรรม U-NET ที่ซ้อนกันสำหรับการแบ่งส่วนภาพทางการแพทย์ (MICCAI) [กระดาษ] [My-Pytorch] [Keras]
- MDU-NET: U-NET ที่เชื่อมต่อกันอย่างหนาแน่นสำหรับการแบ่งส่วนภาพชีวการแพทย์ [กระดาษ]
- Dunet: เครือข่ายที่เปลี่ยนรูปได้สำหรับการแบ่งส่วนหลอดเลือดจอประสาทตา [กระดาษ]
- RA-Unet: เครือข่ายที่รับความสนใจอย่างลึกซึ้งแบบไฮบริดเพื่อแยกตับและเนื้องอกในการสแกน CT [กระดาษ]
- U-Net หลายเส้นทางหนาแน่นสำหรับการแบ่งส่วนแผลโรคหลอดเลือดสมองตีบในหลายรูปแบบภาพ [กระดาษ]
- ซ้อน U-nets หนาแน่นพร้อมหม้อแปลงคู่สำหรับการจัดแนวใบหน้าที่แข็งแกร่ง [กระดาษ]
- การแบ่งส่วนต่อมลูกหมากโดยใช้ 2D bridged u-net [กระดาษ]
- NNU-NET: กรอบการปรับตัวด้วยตนเองสำหรับการแบ่งส่วนภาพการแพทย์แบบ U-NET [กระดาษ] [Pytorch]
- SUNET: สถาปัตยกรรมการเรียนรู้อย่างลึกซึ้งสำหรับการแบ่งส่วนแผลโรคหลอดเลือดสมองเฉียบพลันและการทำนายผลลัพธ์ใน MRI หลายรูปแบบ [กระดาษ]
- IVD-NET: Intervertebral Disc Localization และการแบ่งส่วนใน MRI กับ UNET แบบหลายโมดอล [กระดาษ]
- Laddernet: เครือข่ายหลายเส้นทางตาม U-Net สำหรับการแบ่งส่วนภาพทางการแพทย์ [กระดาษ] [Pytorch]
- การแบ่งส่วน glioma กับ cascaded unet [paper]
- ความสนใจ U-Net: เรียนรู้ว่าจะมองหาตับอ่อน [กระดาษ] ที่ไหน
- เครือข่ายนิวรัลที่ตกค้างที่ตกค้างขึ้นอยู่กับ U-NET (R2U-NET) สำหรับการแบ่งส่วนภาพทางการแพทย์ [กระดาษ]
- ช่องทางและช่องทาง 'Squeeze & Excitation' ที่เกิดขึ้นพร้อมกันในเครือข่ายที่เต็มไปด้วย convolutional [Paper]
- ความน่าจะเป็น U-Net สำหรับการแบ่งส่วนของภาพที่ไม่ชัดเจน (NIPS) [Paper] [TensorFlow]
- Anatomynet: การเรียนรู้อย่างลึกซึ้งสำหรับการแบ่งส่วนทั้งสองอย่างรวดเร็วและเป็นไปโดยอัตโนมัติของกายวิภาคศาสตร์ศีรษะและคอ [กระดาษ]
- 3D ROI AWARE U-NET สำหรับการแบ่งส่วนมะเร็งลำไส้ใหญ่ที่ถูกต้องและมีประสิทธิภาพ [กระดาษ] [Pytorch]
- การตรวจจับและการวาดภาพของสมองกล้ามเนื้อเฉียบพลันใน DWI โดยใช้การเรียนรู้ของเครื่องจักรที่มีการควบคุมอย่างอ่อน (Y-NET) (MICCAI) [กระดาษ] (หน้า 82)
- UNET หนาแน่นเต็มรูปแบบสำหรับการกำจัดสิ่งประดิษฐ์เอกซเรย์โฟโตอะคูสติกแบบเบาบาง 2D [กระดาษ]
2019
- MultiresUnet: ทบทวนสถาปัตยกรรม U-NET สำหรับการแบ่งส่วนภาพชีวการแพทย์หลายรูปแบบ [กระดาษ] [keras]
- U-Netplus: สถาปัตยกรรม U-Net encoder Decoder ที่แก้ไขสำหรับการแบ่งส่วนความหมายและการแบ่งส่วนของเครื่องมือผ่าตัด [กระดาษ]
- ความน่าจะเป็นแผนที่ความน่าจะเป็นแบบสองทิศทาง UNET สำหรับการแบ่งส่วนตับอ่อน [กระดาษ]
- CE-NET: เครือข่ายเข้ารหัสบริบทสำหรับการแบ่งส่วนภาพการแพทย์ 2D [กระดาษ] [Pytorch]
- กราฟ u-net [กระดาษ]
- ฟังก์ชั่นการสูญเสียโฟกัสโฟกัสใหม่ที่มีความสนใจที่ดีขึ้น U-NET สำหรับการแบ่งส่วนรอยโรค (ISBI) [กระดาษ]
- ST-Unet: A-Network U-Temporal U-Network สำหรับการสร้างแบบจำลองอนุกรมเวลากราฟโครงสร้าง [กระดาษ]
- การเชื่อมต่อความสนใจที่ละเอียดอ่อน u-net สำหรับการแบ่งส่วนหลอดเลือดจอประสาทตาที่แม่นยำ [กระดาษ]
- CIA-NET: การแบ่งส่วนอินสแตนซ์นิวเคลียสที่แข็งแกร่งด้วยการรวมข้อมูลที่ตระหนักถึงรูปร่าง [กระดาษ]
- W-NET: U-NET เสริมสำหรับการประมาณแผนที่ความหนาแน่น [กระดาษ]
- การแบ่งส่วนอัตโนมัติของกลีบปอดโดยใช้เครือข่ายประสาทลึกที่มีการประสานงาน
- U2-Net: แบบจำลอง Bayesian U-Net ที่มีข้อเสนอแนะความไม่แน่นอนของ epistemic สำหรับการแบ่งส่วนชั้นของเซลล์รับแสงในการสแกน OCT ทางพยาธิวิทยา [กระดาษ]
- Sclerasegnet: โมเดล U-NET ที่ได้รับการปรับปรุงให้ความสนใจกับการแบ่งส่วน Sclera ที่แม่นยำ (รางวัล Paper Award ICB Honorable Aday) [Paper]
- AHCNET: การประยุกต์ใช้กลไกความสนใจและการเชื่อมต่อลูกผสมสำหรับการแบ่งส่วนเนื้องอกในตับในปริมาณ CT [กระดาษ]
- ความน่าจะเป็นแบบลำดับชั้น U-NET สำหรับการสร้างแบบจำลองความคลุมเครือหลายระดับ [กระดาษ]
- u-net ซ้ำสำหรับการแบ่งส่วนที่ จำกัด ทรัพยากร [กระดาษ]
- MFP-Unet: วิธีการเรียนรู้เชิงลึกแบบใหม่สำหรับการแบ่งส่วนช่องซ้ายใน echocardiography [Paper]
- U-Net ที่ย้อนกลับได้บางส่วนสำหรับการแบ่งส่วนภาพปริมาตรหน่วยความจำ (Miccai 2019) [กระดาษ] [Pytorch]
- Resunet-A: กรอบการเรียนรู้อย่างลึกซึ้งสำหรับการแบ่งส่วนความหมายของข้อมูลที่รับรู้จากระยะไกล [กระดาษ]
- U-Net หลายงานสำหรับการแบ่งส่วนด้วยฉลากขี้เกียจ [กระดาษ]
- Raunet: ความสนใจที่เหลืออยู่ U-Net สำหรับการแบ่งส่วนความหมายของเครื่องมือผ่าตัดต้อกระจก [กระดาษ]
- 3D U2-Net: 3D Universal U-Net สำหรับการแบ่งส่วนภาพการแพทย์หลายโดเมน (Miccai 2019) [Paper] [Pytorch]
- SEGNAS3D: การค้นหาสถาปัตยกรรมเครือข่ายด้วยการเพิ่มประสิทธิภาพทั่วโลกที่ปราศจากอนุพันธ์สำหรับการแบ่งส่วนภาพ 3D (MICCAI 2019) [กระดาษ]
- เครือข่ายมัลติไฟเบอร์แบบขยาย 3D สำหรับการแบ่งส่วนเนื้องอกในสมองแบบเรียลไทม์ใน MRI [กระดาษ] [Pytorch] (MICCAI 2019)
- ปัญหาการเปลี่ยนโดเมนของการแบ่งส่วนภาพทางการแพทย์และการปรับเปลี่ยนผู้ขายโดย Unet-Gan [Paper]
- U-NET ซ้ำสำหรับการแบ่งส่วนที่ จำกัด ทรัพยากร [กระดาษ] (ICCV 2019)
- Siamese U-Net พร้อมเทมเพลตเพื่อสุขภาพสำหรับการแบ่งส่วนที่แม่นยำของการตกเลือดในกะโหลกศีรษะ (Miccai 2019)
2020
- U^2-Net: ไปลึกขึ้นด้วยโครงสร้าง U ที่ซ้อนกันสำหรับการตรวจจับวัตถุสำคัญ (การจดจำรูปแบบ 2020) [กระดาษ] [Pytorch]
- UNET 3+: UNET ที่เชื่อมต่อเต็มรูปแบบสำหรับการแบ่งส่วนภาพทางการแพทย์ (ICASSP 2020) [กระดาษ] [Pytorch]
อ้างอิง
- https://github.com/ozan-oktay/attention-gated-networks (สไตล์โมเดลของเราส่วนใหญ่หมายถึงที่เก็บนี้)
