使用卷积神经网络和图割自动定位及分割三维肝部影像
该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段,以实现高质量的医学影像分析和临床诊断。论文结果表明,其分割结果和计算时间均较为准确和快速。
Feb, 2017
本文介绍了使用级联的全卷积神经网络和密集的 3D 条件随机场来自动分割 CT 腹部图像中的肝脏和病变的方法,实现了对肝脏和病变的语义分割,其 Dice 分数超过 94%,每个体积计算时间低于 100 秒。
Oct, 2016
本文提出了一种自动高效的算法(DI2IN),利用卷积编码器 - 解码器结构和深度监督联合多级特征级联,采用对抗网络进行训练来辅助区分 DI2IN 的输出和真实数据,最终证明本方法在各种扫描协议和人群差异情况下能够取得比现有解决方案更高的肝脏分割精度和计算效率。
Jul, 2017
利用深度卷积神经网络,以 2.5D 方式对肝脏 CT 图像进行分割,并在 130 个 LiTS 训练数据集上进行训练,在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67,时隔 ISBI2017 会议后获得了该领域的第一名。
Apr, 2017
本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法,验证表明此方法对高度多样化的病灶具有较好的鲁棒性。
Mar, 2017
AI Radiologist 是一种使用卷积神经网络进行肝脏组织分割和三维插值的图像处理工具,通过现有的体积和预训练模型的选择,为临床医生提供了方便的肝脏组织分割方法。
Jun, 2024
本文提出了一个新颖的 3D 深度监督网络(3D DSN)并引入深度监督机制来解决自动肝脏分割的挑战性任务,并且采用条件随机场模型来获得更精细的分割结果。在公共数据集上进行的广泛实验证明,我们的方法可以实现与最先进方法竞争的分割结果,并且具有更快的处理速度。
Jul, 2016
利用部分超声扫描的肝脏分割掩膜与由一组 CT 扫描建立的统计形状模型相结合,通过参数回归网络计算形状参数,实现准确的三维肝脏重建和自动肝容积计算。与放射科医生使用 Childs 方法计算的肝容积相比,我们的方法统计上更接近 CT 扫描估计的结果,并对 US 图像分辨率、用于 SSM 的 CT 扫描数量以及输入 US 扫描数量等进行了验证。据我们所知,这是首个利用少量不完整的 US 扫描和一组 CT 扫描的自动肝容积测量系统。
Jun, 2024
实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变,该模型能够提供高度准确的分割,肾脏的中值 Dice 相似系数为 0.934。
May, 2024