三维卷积神经网络用于胶质母细胞瘤分割
该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法,利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能,得出的结果比现有的最优方法提升了 30 倍以上。
May, 2015
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
提出了一种基于卷积神经网络的肿瘤分割方法,采用多种序列图像,结合 2D 和 3D 上下文,通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率,在 BRATS 2017 竞赛中良好表现,可用于各种分割任务。
Jul, 2018
通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化,本论文应用于医学图像分割领域,实现了在手部和脑部 MRI 图像上的分割与验证。
Jan, 2017
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
本文介绍了一种高效的 3D 卷积神经网络,采用 3D multi-fiber unit 并使用 3D dilated convolutions 来构建多尺度特征表示,以达到实时密集体积分割的目的,并在 BraTS-2018 挑战数据集上的实验结果表明,该神经网络架构在高保真度的前提下大大降低了计算成本。
Apr, 2019
本研究针对 MRI 中的次皮质脑结构分割,提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构,将中间层输出嵌入到最终预测中,提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明,该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。
Dec, 2016
本文提出了一种基于全卷积神经网络的三维图像分割方法,通过优化 Dice 系数的目标函数,应对前景和背景体素数量极不平衡的情况,并通过数据增强技术提高数据样本的数量和多样性,实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。
Jun, 2016
准确评估肿瘤切除是管理胶质母细胞瘤的关键。我们使用 MRI 扫描和神经网络开发了一个流程,可以在术后图像中分割肿瘤亚区域和手术空腔。我们的模型在准确分类切除程度方面表现出色,为临床医生评估治疗效果提供了有价值的工具。
Apr, 2024
该论文提出了一种新的基于深度学习的 3D 医学图像分割方法,该方法采用了全卷积神经网络和递归神经网络相结合的方式,能够充分利用体像素在不同维度上的相关性以提高分割性能。
Sep, 2016