本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型,包括多尺度方法。与以前的工作相比,我们的提案的一个区别是,输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的 MRI 图像:脑膜瘤、胶质瘤和垂体瘤,并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含 233 名患者 3064 张切片的公开可用的 MRI 图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中,我们的方法以 0.973 的肿瘤分类准确度明显高于使用相同数据库的其他方法。
Feb, 2024
本文提出了一种基于 3D 全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的 3D 卷积来学习 3D 肿瘤 MRI 数据的新方法,该方法能够识别 MRI 上的高级肿瘤结构,具有比现有方法更好的性能。
Nov, 2016
本研究提出了基于 3D CNN 的新型分割网络对 Glioma 进行自动分割,该方法利用 MRI 数据帮助病灶分割,分类准确率较高,是一种有效和高效的病灶分割方法,可以帮助研究和评估 Glioma 的治疗效果。
Jan, 2018
通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割,本研究在 BraTS-GoAT 挑战中的各种人群(如成人、儿科和非洲撒哈拉以南地区)的脑部 MRI 扫描图像中自动分割肿瘤,并通过大量的模型集成和后处理方法在未知验证集上表现良好,平均 DSC 为 85.54%,HD95 为 27.88。
May, 2024
该研究介绍了基于深度学习的自动化脑肿瘤分割技术,利用 3D U-Net 模型,通过大规模的脑 MRI 扫描数据集进行分割,并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效,为临床实践提供有价值的支持。
Apr, 2024
本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤(脑膜瘤、胶质瘤和垂体瘤)进行自动分割及识别,实验结果表明,采用了循环残差 U-Net 模型能达到平均交并比 0.8665,相比其它深度学习模型具有明显的优势。
Apr, 2023
本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法,该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试,并表现出良好的分割性能。
May, 2017
本研究提出了一种基于深度学习的模型用于对磁共振成像(MRI)扫描中的脑肿瘤进行分类和分割。该模型通过 EfficientNetB1 体系结构进行图像分类,基于 U-Net 体系结构进行精确的肿瘤分割,并在公共数据集上得到了高准确率和分割度量,表明它们在脑肿瘤的诊断和治疗中具有可能的临床应用价值。
使用深度学习技术,特别是 ResNet50 模型,进行脑瘤识别的研究表明可以提高脑瘤的精确性,达到 99.54% 的最高准确率。该研究的目标是通过评估和分析的方式,引导研究人员和医疗专业人员构建功能强大的脑瘤检测系统。
Sep, 2023
本文提出了两种深度学习模型,UNet 和 Deeplabv3,用于使用预处理的脑 MRI 图像检测和分割胶质母细胞瘤脑肿瘤,实验结果表明,Deeplabv3 在准确性上优于 UNet,但需要更多的计算资源,这些模型为胶质母细胞瘤脑肿瘤的早期检测和分割提供了一种有前途的方法。