Apr, 2019

自动分割白质高信号区的标准化评估及其分割挑战结果

PDF
TL;DR本文介绍了通过 WMH Segmentation Challenge，针对来自多个中心和扫描仪的脑部 MRI 图像，评估了五种指标来比较自动化白质高信号 （WMH）分割算法的性能，发现了四种方法的结果比其他方法显著优越，并且表明不是所有方法都适用于未知扫描仪。
white matter hyperintensitiesautomatic segmentationmrimulti-center datasetperformance metrics
发现论文，激发创造
  • 在临床异质性和低场便携式 MRI 中量化白质高信号和脑容积

    该研究描述了一种能在任意分辨率和对比度（包括低场可移动磁共振成像）的扫描中，无需重新训练即可分割白质高信号和 36 个脑区域的方法，并展示了在多个数据集和高 / 低场扫描的强相关性结果。

    Dec, 2023

  • MR 图像中白质高信号区域分割的全卷积网络集成

    利用深度完全卷积神经网络和集成模型自动检测老年健康人群中的白质高信号病变，取得 WMH Segmentation Challenge at MICCAI 2017 的第一名，同时提供关于系统组成成分的详细描述和定量分析。

    Feb, 2018

  • 基于概率 TransUNet 的白质高信号区分割

    本研究提出了一种名为 Probabilistic TransUNet 的方法来解决医学图像中小物体分割的准确性和模糊性问题，并通过 k 折交叉验证和跨数据集鲁棒性实验表明加入概率模型和使用基于 Transformer 的方法可以取得更好的性能。

    May, 2023

  • wmh_seg: 转换器基于的 U-Net 用于 1.5T、3T 和 7T 的鲁棒和自动化的白质高信号区分割

    使用 wmh_seg 这一基于转换器编码器的深度学习模型，该模型在不同磁场强度、扫描仪制造商和常见磁共振成像伪影的条件下，稳定地实现了 7T 患者的白质病变分割。

    Feb, 2024

  • 多模态全心分割算法评估：一个开放挑战

    这篇论文介绍了参加 2017 年 MICCAI 举办的 Multi-Modality Whole Heart Segmentation 挑战赛中，由 12 个小组提交的 10 种针对 CT 数据和 11 种针对 MRI 数据的自动整个心脏分割算法，结果表明，使用深度学习算法的方法在有限的训练数据集上也可以取得较高准确率，而基于多阶段分割的传统算法表现稳定，但 CT 分割的准确度不如最好的深度学习方法。

    Feb, 2019

  • 脑部图谱引导下的注意力 U-Net 用于白质高信号区域分割

    本文提出了一种仅利用 FLAIR 图像和空间注册的白质（WM）脑图谱的脑图谱引导的关注 U-Net（BAGAU-Net）来产生竞争性的 WMH 分割性能，通过实验验证表明：BAGAU-Net 胜过了 T1 加持的最先进方法，为 WMH 分割的有效发展铺平了道路。

    Oct, 2020

  • 基于持久性的白质高信号计数方法在脑部 MRI 中的应用

    利用持续同调的代数学方法，P-Count 基于 WM 损伤的拓扑特征，过滤出噪音性的 WMH 阳性结果，从而更准确地计数真实病灶。在 ISBI2015 纵向病灶分割数据集上验证了 P-Count 的准确性优于直接阈值法。

    Mar, 2024

  • 多发性硬化全脑与病变同时分割对比适应方法

    提出了一种对多发性硬化患者进行多序列脑 MRI 扫描的白质病变和正常神经解剖结构同时分割的方法，并通过四个不同的数据集验证了该方法的高鲁棒性。

    May, 2020

  • 3D SA-UNet：3D 空间注意 UNet 与 3D ASPP 用于白质高信号区域分割

    使用 3D Spatial Attention U-Net（3D SA-UNet）模型对液体衰减逆转复苏（FLAIR）扫描进行自动白质高信号（WMH）分割，通过增加 3D 空间注意力模块和 3D ASPP 模块，提高了网络的分割性能，并实验证明了该模型相比其他先进的 3D 卷积神经网络有更高的准确性。

    Sep, 2023

  • 多尺度卷积堆叠聚合用于鲁棒性白质高信号区域分割

    使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

    Jul, 2018