Nov, 2017

多模型、多架构集成用于强健脑肿瘤分割

PDF
TL;DR本篇论文提出 Ensembles of Multiple Models and Architectures (EMMA) 方法，利用多种模型和架构进行集成预测，以实现在具有挑战性的任务中的鲁棒性能，是一个优秀的深度学习模型，能够在诸多竞赛中获得首位位置。
deep learningconvolutional neural netsensemble learningarchitecturesemantic segmentation
发现论文，激发创造
  • 基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

    应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

    Aug, 2023

  • 可扩展的多模态卷积网络用于脑肿瘤分割

    提出了一种新颖的可扩展多模式深度学习架构，利用新的嵌套结构，以显式利用跨模态或模式内深度特征，促使早期层结构化和稀疏化以使最终架构可扩展到多种模态， 并对脑肿瘤分割进行评估，显示其相对于传统连接方法的规正化效果。

    Jun, 2017

  • 用预训练神经网络集成进行透射电子显微图像分割和质量检测

    本专业研究了机器学习在电子显微数据集分析中的应用问题，因为这种类型的数据集具有许多挑战，包括训练数据集大小限制、试样质量及实验条件的变化等。研究发现，使用 EA 方案的集合设计比 ER 方式更适合处理这些问题，因为 EA 表现出更好的分类精度和更好的校准性，而这两种集合的不确定性量化相当。

    Sep, 2022

  • 儿童脑肿瘤的自动集成分割：使用 CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 挑战数据的新方法

    该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

    Aug, 2023

  • 基于残差变换器的脑肿瘤分割的集成学习

    提出了一种将 Transformers 集成到自适应 U-Net 中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

    Jul, 2023

  • 如何赢得 BraTS 2023 成人脑胶质瘤挑战？只需模拟！增强合成数据增强和模型集成用于脑肿瘤分割

    利用生成对抗网络、注册方法和深度学习模型在 BraTS2023 挑战赛的脑瘤分割任务中，通过非传统机制进行数据增广，实现大量可用样本进行训练，使用卷积算法和变换器填补彼此的知识差距，最佳解决方案在验证集上达到了 0.9005、0.8673、0.8509 的 Dice 结果和 14.940、14.467、17.699 的 HD95 结果（整个肿瘤、肿瘤核心和增强肿瘤）。

    Feb, 2024

  • PEMMA: 用于医学图像分割的参数高效多模态适应性

    提出了一种适用于基于 CT 扫描模型的轻量级升级的参数高效多模态适应（PEMMA）框架，以将 PET 扫描纳入其中，通过将注意力权重进行低秩适应（LoRA）实现参数高效调整，同时最小化交叉模态耦合，使单一模态下训练和更新联合模型成为可能，并且在仅训练单一模态时，在可训练参数仅为 8% 的情况下，实现了与早期融合技术相当的结果，并在 PET 扫描的平均 Dice 分数上取得了显著的 + 28% 改善。

    Apr, 2024

  • 集成 ResUnet 用于解剖学大脑屏障分割

    使用带残差块的 U 型网络和 Tversky 损失函数进行脑结构分割，提高在不同模态下的准确率，同时采用模型集成策略进一步提高性能。

    Dec, 2020

  • 深度神经网络用于脑肿瘤分割

    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

  • 探索用于提升集成强健性的模型学习异质性

    通过形式分析和实证评估，本文展示了异构深度集成模型可以通过高集成多样性有效地利用模型学习的异质性以提高集成的鲁棒性。

    Oct, 2023