Jun, 2018

用于颅内出血检测的 PatchFCN

PDF
TL;DR本文研究如何利用 Patch-based Fully Convolutional Network 方法对头部 CT 扫描图像进行语义分割，以准确识别和定位颅内急性出血，进而提高分类和分割性能，同时试验结果表明该方法在医学图像分割任务中具有较好的普适性。
intracranial hemorrhagecomputed tomographysemantic segmentationpatchfcnmedical imaging
发现论文，激发创造
  • 基于深度卷积模型的颅内出血分割

    本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

    Oct, 2019

  • 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

  • 全关注 U-NET 用于头部 CT 图像中颅内出血的语义分割

    本文提出了一种全注意力 U-Net 模型，通过使用通道注意力和空间通道注意力在 U-Net 编码器和解码器的不同侧面，实现了对头部 CT 扫描中颅内出血类型的准确形状提取和分类，模拟结果显示相比基线（ResNet50 + U-Net），改进了 31.8％，并在注意力有限的情况下取得了更好的性能。

    Dec, 2023

  • 利用深度学习识别脑 CT 图像上的出血和梗死病灶

    通过深度学习算法识别头部非对比增强 CT 扫描中的颅内出血和梗死，为日常医疗工作流程引入广泛的医疗设施提供了潜力和限制。

    Jul, 2023

  • 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

  • 基于类激活映射的无监督 Resnet-LSTM 出血分割在非对比度计算机断层扫描图像中的应用

    通过使用图像级别的二元分类标签，我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割，该方法通过分类网络的类激活图确定 ICH 的大致位置，并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割

    Sep, 2023

  • 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

  • RADNET: 基于深度学习的 CT 扫描出血检测，达到放射科医师水平的准确性

    文章使用 RADnet 模型进行自动化脑出血检测，与三位资深放射科医师所作的独立分析相比，RADnet 在 CT 水平上展现了相当的出血预测准确性，并且在召回方面高于两位医师，实现了 3D 上下文的加入，检测性能非常优越。

    Oct, 2017

  • 用于腹部多器官分割的多尺度金字塔 3D 全卷积网络

    本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔，从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型，并获得近 90％的 Dice 分数。

    Jun, 2018

  • 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