Segmentation d'images médicales
La segmentation d'images médicales est une tâche dans le domaine de la vision par ordinateur visant à diviser les images médicales en plusieurs régions, chacune représentant différents objets d'intérêt ou structures au sein de l'image. L'objectif est de fournir des représentations précises et exactes de ces objets, principalement pour le diagnostic, la planification du traitement et l'analyse quantitative.
Kvasir-SEG
SSFormer-L
CVC-ClinicDB
DUCK-Net
ETIS-LARIBPOLYPDB
DUCK-Net
CVC-ColonDB
RAPUNet
Synapse multi-organ CT
Interactive AI-SAM gt box
Automatic Cardiac Diagnosis Challenge (ACDC)
FCT
MoNuSeg
Stardist
GlaS
Hi-gMISnet
2018 Data Science Bowl
DoubleUNet
BKAI-IGH NeoPolyp-Small
QTSeg
MICCAI 2015 Multi-Atlas Abdomen Labeling Challenge
MERIT
ACDC
FCT
CVC-VideoClinicDB
ResUNet++ + TTA
DRIVE
ISIC 2018
ProMISe
Medical Segmentation Decathlon
Swin UNETR
Brain US
MedT
CHASE_DB1
EM
UNet++
ISBI 2012 EM Segmentation
CE-Net
ISIC2018
EMCAD
Kvasir-Instrument
DoubleUNet
RITE
KiU-Net
Endotect Polyp Segmentation Challenge Dataset
DDANet
ISIC 2018
EMCAD
KvasirCapsule-SEG
NanoNet
LiTS2017
UNet 3+
Medico automatic polyp segmentation challenge (dataset)
ROBUST-MIS
2015 MICCAI Polyp Detection
DoubleUNet
AMOS
MedNeXt-L (5x5x5)
ASU-Mayo Clinic dataset
ResUNet++
Autoimmune Dataset
Unet with APP
Autooral dataset
HF-UNet
Cell
CHAOS MRI Dataset
MS-Dual-Guided
ENSeg
YOLOv8-m + SAM-b
Extended Task10_Colon Medical Decathlon
nnUNet
HSVM
MS-Dual-Guided
Hyper-Kvasir Dataset
efficientnetb1
iSEG 2017 Challenge
HyperDenseNet
MICCAI 2015 Head and Neck Challenge
AnatomyNet
MoNuSAC
MaxViT-UNet
MoNuSeg 2018
MosMedData
C2FVL
PROMISE12
Hi-gMISnet
SegPC-2021
DCSAU-Net
Synapse
nnFormer