在医学图像分析的最新进展中，卷积神经网络（CNN）和视觉变换器（ViT）树立了重要的基准。前者通过其卷积操作擅长捕捉局部特征，后者通过自注意力机制实现了显著的全...

医学图像分割，旨在准确界定解剖结构或异常，在疾病诊断和治疗计划中至关重要。与传统方法（如依赖于手工或半自动方法）相比，计算机辅助技术可以更高效。随着深度学习的发...

与SAM相比，SAM2专注于可提示图像分割，同时引入了可提示视频分割的额外能力。SAM2中的图像分割责任组件与SAM相同：图像编码器、提示编码器和 Mask 解...

医学图像分割（MIS）的目标是2D或3D医学图像中组织和病变的边界和定位。这一过程对于发展自动化疾病识别、分期和治疗，以及开发医学机器人至关重要。近年来，最先进...

pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉...

在本文中，大部分计算机视觉领域的深度学习模型专注于低分辨率的2D和3D图像，通常是256×256像素或更小。然而，随着高分辨率图像数据集的广泛应用，由于单个GP...

在图像分割领域，圣杯是能够基于文本 Query 准确分割任意概念图像。随着视觉-语言模型（VLMs）如CLIP的迅速发展，这一任务变得更加可行。当这些模型应用于...

医学图像分割是计算机辅助诊断和图像引导系统中的关键应用。近年来，深度学习已成为这一领域的主要方法，这主要归功于UNet[18]的里程碑式贡献。UNet通过利用编...

Along He, Tao Li, Juncheng Yan, Kai Wang, Huazhu Fu

近年来，Mamba作为一种处理长距离依赖关系的计算模块，在医学图像分割领域取得了显著进展。而近期，来自浙江大学，魔芯科技，中科大等单位的研究人员将Mamba替换...

基于深度学习算法在结肠镜检查过程中检测癌前病变已显示出巨大潜力。近期，一种基础模型，即Segment Anything Model（SAM），被引入用于通用语义...

在医学成像中，分割是一项关键且经常执行的活动，它允许提取关于感兴趣区域的精确结构信息。手动分割既繁琐又耗时，并且需要经验丰富的专家和医生才能得到准确的结果，因此...

自动化医学图像分割在提供有价值信息以预防、诊断、进展监测和预测各种疾病以及定量病理学评估中至关重要。目前，包括编码器、解码器和跳跃连接在内的U形深度神经网络在医...

2010年代初，当深度神经网络能够使用大规模图像或文本数据学习强大的表示时，深度学习在单领域任务（如图像分类或语言翻译）中取得了初步成功[5,10]。由于公开可...

这篇论文研究了在3D医学图像分割领近年引入了许多新的架构和方法，但大多数方法并没有超过2018年的原始nnU-Net基准。作者指出，许多关于新方法的优越性的声称...

今天将分享肾脏病理学图像分割之task1Patch和task2WSI联合训练在验证集上结果完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，...

MS COCO 是最大图像分割数据集，提供的类别有 80 类，有超过 33 万张图片，其中 20 万张有标注，整个数据集中个体的数目超过 150 万个。MS C...

其中黑色部分为原来的Faster-RCNN，红色部分为在Faster 网络上的修改：

场景解析对于无限制的开放词汇和不同场景来说是具有挑战性的。本文使用文中的 pyramid pooling module 实现基于不同区域的上下文集成，提出了PS...

卷积网络被大规模应用在分类任务中，输出的结果是整个图像的类标签。然而，在许多视觉任务，尤其是生物医学图像处理领域，目标输出应该包括目标类别的位置，并且每个像素都...