本研究提出了一种新的深度学习方法用于肿瘤分割,特别是在处理数据缺失时具备先进性。首先,将所有观察到的模态独立地嵌入到共享潜在表示中,然后从这个潜在表示中生成缺失数据和肿瘤分割。最后,通过将双方的优点与 3D U-Net 和多模态变分自编码器相结合,提出了一种新的网络结构。
Jul, 2019
本研究提出一种新的多模态分割框架,使用特征解缠来将多模态数据分解为特定于每种模态的出现代码和吸收多模态信息的模态不变内容代码,从而通过在不同区域门控不同模态的贡献来融合来自每种模态的解缠内容代码,在各个模态数据缺失的情况下获得了优异的鲁棒性,尤其是在 BRATS 挑战数据集的脑肿瘤分割任务中表现出了优秀的性能。
Feb, 2020
本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响,检验 MRI 数据的有效性以诊断脑肿瘤,并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。
Jun, 2022
该论文提出了一种新的统一的多模式图像综合方法,包括通过生成敌对网络从任意可用模式的组合中合成丢失的模态,并使用共性和差异敏感编码器及动态特征统一模块来提高图像合成质量和适应性,实验结果表明该方法在处理多种综合任务时具有优越的性能。
Apr, 2023
通过使用单一的条件模型,根据输入类型调整其归一化层来实现多模态图像的公平图像分割,并在多模态全心分割挑战中优于其他跨模态分割方法。
Oct, 2023
本文提出了一种新颖的相关性表示块,其可以在缺失模态的情况下发现潜在的多源相关性,并通过注意机制将模态间的相关性表示融合成一个共享表示,从而提高脑肿瘤分割的鲁棒性,并在 BraTS 2018 数据集上取得了最新的最佳表现。
Mar, 2020
我们提出了一个用于三维脑病变分割的通用基础模型,它可以自动分割不同类型和不同成像模态数据的脑病变。我们设计了一种新颖的多模态专家混合框架,利用多个专家网络处理不同的成像模态,并使用分层门控网络将专家预测结果相结合。此外,在训练过程中引入课程学习策略,以避免每个专家网络的退化并保留其专业化。在九个脑病变数据集上评估我们的方法,涵盖了五种成像模态和八种病变类型,结果表明我们的模型优于最先进的通用模型并具有良好的泛化性能。
May, 2024
提出一种简单且高效的多模态融合机制:线性融合(Linear Fusion),通过半监督学习的方式提高了多模态语义分割的性能,并使模型对现实世界中缺失模态的情况更加健壮。
通过使用 masked predicted pre-training 和 knowledge distillation 技术,以及采用 Holder pseudo-divergence 代替 KLD 作为 distillation loss,该研究在多模式磁共振成像中对脑肿瘤进行分割,取得了显著的性能提升。
Jun, 2024
本研究探讨了在医学图像分割中应用机器学习加速分割的过程中,评价方法的选择以及如何处理体素间的依存关系问题。研究以多模态评价方法为基础,量化并优化不同分割方法的表现效果。
Feb, 2023