ChinaSuperLeon的博客

Information Fusion - 2023 基于DL的脑龄预测综述

Frontiers in Aging Neuroscience - 2024 以T1w为输入的深度学习脑龄预测模型

Brain - 2020 DeepBrainNet

TMI - 2024 医学图像自动分割和分类的多任务注意力网络

利用深度学习对医学图像去噪综述阅读笔记

nnU-Net论文阅读笔记

Arxiv 2017 - Transformer Attention is all you need

Arxiv 2023 - 基于Swin Transformers的广义dMRI降噪与超分辨率

图1描述了一般通道注意范式的简要概述，其中任意卷积层首先被输入到上下文建模模块，以挤压空间维度（H × W），然后是转换模块，旨在学习通道 C 之间的相关性，最后根据每个通道的重要性因子对其进行加权。为了提取更多的图像特征，出现了堆叠多个卷积层的深层框架，称为backbone或encoder（编码器），这种框架的优点是可以覆盖多个尺度的空间特征。为了回答这个问题，我们引入了一种新的基于通道注意的特征再校准模块EMCA，它利用全局信息来提高网络产生的特征的质量，强调有用的特征，选择性地抑制不太有用的特征。

原文的描述（部分）：训练去噪网络最常用的方法之一是通过向具有假设噪声模式（例如，一定分布和噪声水平）的高质量图像添加噪声来生成训练数据对。由于具有不同b值的DWI图像通常具有高度相关的边缘和可以由神经网络自身提取的结构信息，因此本文提出了JD-CNN模型，并尝试以联合方式训练具有多个输入通道的网络。为了评估JD-CNN去噪DWI的性能，在高SNR图像上模拟了不同程度的噪声。用来平衡训练损失和稀疏项之间的权衡（本文设置为0.3），N表示训练数据的个数，x和y分别指无噪数据和观测数据，F指的是模型降噪过程。

CBAM 包含2个独立的子模块， 通道注意力模块（Channel Attention Module，CAM) 和空间注意力模块（Spartial Attention Module，SAM) ，分别进行通道与空间上的 Attention。此外，作者认为最大池化收集了另一条重要线索，即关于独特物体特征的线索，从而推断出更精细的通道注意力。AvgPool(F)、MaxPool(F)分别经过MLP处理，得到MLP(AvgPool(F))、MLP(MaxPool(F))；，与通道注意是互补的。

Paper Title: MFCA-MICNN: a convolutional neural network with multiscale fast channel attention and multibranch irregular convolution for noise removal in dMRI创新点引入多尺度快速通道注意力；通过计算特征通道上的注意力权重来高效提取多尺度特征；提出一种多分支不规则卷积结构；有效破坏空间噪声相关性，并捕获了噪声特征，从而进一步提高模型的降噪性能；

作者将2.5D分割方法分为三大类：多视图融合、整合slice间信息、融合2D/3D特征。