本文综述了应用于不同分割框架中的不同类型的先验知识,重点介绍了将先验信息纳入其框架的基于优化的方法,并根据使用的先验知识类型对现有工作进行了分类。研究人员可以通过我们的互动在线数据库更新其研究领域。此外,我们还讨论了能量函数设计的不同方面、存在的问题和未来的前景。
Jul, 2016
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
本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位,并通过检测器本地化损伤,提高了分割网络的准确性。
Nov, 2017
提出了一种对多发性硬化患者进行多序列脑MRI扫描的白质病变和正常神经解剖结构同时分割的方法,并通过四个不同的数据集验证了该方法的高鲁棒性。
May, 2020
提出一种前景调和框架(ARHNet)来解决MRI扫描的强度不均匀问题和使合成图像看起来更加逼真的问题,实验结果表明此方法在提高分割性能方面表现优异。
Jul, 2023
研究表明,肝肿瘤是重要的负担,是癌症死亡的第四大原因。为了指导治疗策略,我们提出比较两种基于各向异性模型的管道方法,对肝脏和肿瘤进行分割,同时提出了一种不确定性量化策略用于识别潜在的假阳性肿瘤病变。
Aug, 2023
通过在多个阶段运用神经网络进行多相计算机断层扫描,结合分割模型和单相训练,我们的方法在肝脏病变分割性能上取得了1.6%的改进,并降低了8%的主体间性能差异。
Apr, 2024
本研究提出了两种基于SmoothGrad和Grad-CAM++方法的实例级解释映射,用于语义分割的高可解释性人工智能模型,通过对白质病变的磁共振成像进行检测和分割,揭示了这些方法的相关性,以及分割病变所需的周围组织信息。
Jun, 2024
本研究针对传统医学图像分割方法在特定病灶识别中的不足,提出了一种新的医学图像引导分割任务(MIRS)。通过引入语言引导尺度感知医学分割器(LSMS),结合了尺度感知视觉-语言注意模块和全尺度解码器,显著提升了病灶定位和分割的准确性。实验结果表明,LSMS在多种数据集上的表现优于现有方法,且计算成本更低。
Aug, 2024
本研究针对传统医学图像分割方法在诊断和治疗中特定病灶识别不足的问题,提出了一种新的医学图像参考分割任务(MIRS)。通过引入语言引导尺度感知医学分割器(LSMS),本文采用了尺度感知视觉-语言注意模块和全尺度解码器,显著提升了对病灶的定位与分割准确性,并构建了参考肝病变分割(RefHL-Seg)数据集以验证方法的有效性。该研究为医学图像分割提供了新的视角和更高的效率。