Sep, 2017

H-DenseUNet: 面向 CT 体积下的肝脏和肿瘤分割的混合密集连接 UNet

PDF
TL;DR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。
liver cancersegmentation methodconvolutional neural networksh-denseunettumor segmentation
发现论文，激发创造
  • 使用级联完全卷积神经网络自动分割 CT 和 MRI 体积中的肝脏和肿瘤

    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

  • RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • 基于级联的三维全卷积网络在医学图像分割中的应用

    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

  • 基于 3D 深度监督网络的 CT 肝脏自动分割

    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

  • MRI 实时脑肿瘤分割的 3D 扩张多纤网络

    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

  • 基于级联全卷积神经网络和三维条件随机场的 CT 肝脏和病变自动分割

    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

  • 使用深度学习的检测辅助肝部病变分割

    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

  • 使用深度卷积神经网络方法自动进行肝脏病变分割

    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

  • 采用对象相关高层特征的改进 U-Net (mU-Net) 用于 CT 图像中肝脏和肝肿瘤分割的提升

    本文介绍了一种将残差通路与反卷积和激活操作相结合的 U-Net 架构，用于肝和肝癌的自动分割，进而提高肝癌放疗任务的效率。在 LiTS 2017 数据集上，经验证明这种改进的 U-Net（mU-Net）优于现有的最先进网络。

    Oct, 2019

  • 混合多头关注式三维 Unet 用于脑肿瘤分割

    提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

    May, 2024