级联深度残差网络自动肝脏病变检测
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
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
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
通过在多个解剖结构 (从大器官到细小血管) 的计算机断层扫描手动标记的数据上训练多分类的三维卷积神经网络,该研究展示了基于三维全卷积神经网络的医学图像语义分割的实现和鲁棒性的突破,所提出的粗略到精细的两阶段方法达到了最先进水平。
Mar, 2018
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
利用深度学习方法实现肺叶分割,在一个手动标注的数据集上测试所提出的方法,通过设计一个混合损失函数来解决类别失衡问题,并在独立数据集上进行了测试,取得了比基线模型高达 5.87% 的表现。
Mar, 2019
该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法,可在临床设置中实现高效而准确的肝容积估算,可替代耗时且不可重复的手动分割方法。
May, 2016
本文提出了一种新型的混合密集连接 UNet(H-DenseUNet)用于肝脏和肿瘤分割,该方法采用 2D DenseUNet 和 3D UNet 相结合的方式提取内部切片特征和聚合体积下的层次上下文信息,并通过混合特征融合(HFF)层联合优化模型。在 MICCAI 2017 肝肿瘤分割(LiTS)挑战数据集和 3DIRCADb 数据集上的评估表明,我们的方法在肿瘤分割结果上表现优于其他技术,而在单模型下,甚至可以取得具有一定竞争力的肝脏分割性能。
Sep, 2017