Jul, 2017

通过循环神经网络上下文学习和直接损失函数提高 CT 和 MRI 图像的深度胰腺分割

PDF
TL;DR这篇论文提出了一种结合了卷积神经网络和循环神经网络的方法，利用 LSTM 进行序列处理来解决胰腺 CT 和 MRI 扫描的精确分割问题，且提出了一种名为 Jaccard Loss 的新的分割损失函数，优化 Jaccard 指数直接达到了比 CT 和 MRI 胰腺分割的现有方法更好的效果。
deep neural networkspancreas segmentationconvolutional/recurrent neural networklong short-term memory networkjaccard loss
发现论文，激发创造
  • 基于领域专用网络设计和循环神经语境学习的 CT 和 MRI 胰腺分割

    该研究使用卷积神经网络和递归神经网络对放射学图像中的胰腺进行自动分割，以进行计算机辅助筛查和定量评估。

    Mar, 2018

  • 基于深度卷积网络的 CT 胰腺分割

    使用卷积网络的深度学习方法对腹部计算机体层摄影（CT）图像中的胰腺进行分段，该方法基于分层从粗到细的本地图像区域（超像素）的分类，并通过随机森林分类器级联的两级修补程序生成初始概率响应图，最终达到了 68% 的 Dice 分数，这表明这种方法具有很大的潜力和性能优势。

    Apr, 2015

  • DeepOrgan: 多层深度卷积神经网络用于自动化胰腺分割

    本文提出了一种基于 ConvNets 和 CT 扫描的分层粗到细分割方法，用于自动识别和分割腹部内器官，特别是胰腺。在 82 名患者的 CT 图像上进行了交叉验证，结果表明该方法可以实现高达 83.6％±6.3％的分割准确率。

    Jun, 2015

  • 基于全面嵌套卷积神经网络的胰腺自动定位与分割的空间聚合

    本研究提出了一种基于深度学习的自动化系统，使用 3D CT 扫描实现胰腺的定位和分割来解决医学图像分析中的器官分割问题，并在公开数据集上进行了四倍交叉验证的定量评估。

    Jan, 2017

  • 腹部 CT 扫描中胰腺分割的定点模型

    论文提出采用固定点模型，利用预测分割掩码来缩小输入区域，从而提高深度神经网络在腹部 CT 图像中的器官分割准确性，针对胰腺等较小的器官分割效果得到明显提升。在 NIH 胰腺分割数据集上表现出超过 4% 的优异表现。

    Dec, 2016

  • 使用深度学习进行大规模多中心 CT 和 MRI 胰腺分割

    我们收集了一系列来自五个中心的大规模 MRI 扫描数据集，并开发了一种名为 PanSegNet 的新的胰腺分割方法，其在交叉模态和交叉中心设置下的 Dice 系数分别达到了 88.3%（使用 CT），85.0%（使用 T1W MRI）和 86.3%（使用 T2W MRI）。

    May, 2024

  • 递归显著性转换网络：融合多阶段视觉提示进行小器官分割

    本文提出了一种基于循环显著性转换网络的方法对腹部 CT 扫描中的小器官进行分割，该方法利用循环的显著性转换模块进行多阶段视觉信息的传播，不仅在 NIH 胰腺分割数据集上获得了最新的测试结果，在一个更大的数据集上也表现出更好的收敛和高准确率。

    Sep, 2017

  • 基于切片间上下文残差学习的三维医学图像分割

    我们提出了一种 3D 上下文残差网络（ConResNet）来更准确地分割 3D 医学图像，该模型包括编码器、分割解码器和上下文残差解码器，并在多个数据集上进行了验证，结果表明该模型比其他六个在脑肿瘤分割和其他七个在胰腺分割方面的方法更准确。

    Nov, 2020

  • 腹部 CT 扫描中胰腺囊肿分割的深度监督

    介绍了一种基于深度学习的胰腺囊肿自动分割方法，通过加入深度监督并基于合理的变换函数，将分割任务分解为不同的步骤，应用于 131 个病理样本中取得了 63.44% 的平均精度（Dice-Sørensen 系数），高于未使用深度学习方法的 60.46%。

    Jun, 2017

  • 将完全卷积和循环神经网络相结合进行三维生物医学图像分割

    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