Apr, 2019

MRI实时脑肿瘤分割的3D扩张多纤网络

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 基于多尺度3D卷积神经网络和完全连接条件随机场的高效脑部病变分割

    本文介绍了一种分割脑损伤的新方法，主要采用3D卷积神经网络，同时处理不同尺度的图像，通过实验证明具有更好的性能。

    Mar, 2016

  • V-Net: 用于体积医学影像分割的全卷积神经网络

    本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化Dice系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

    Jun, 2016

  • 三维卷积神经网络用于胶质母细胞瘤分割

    本文提出了一种基于3D全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的3D卷积来学习3D肿瘤MRI数据的新方法，该方法能够识别MRI上的高级肿瘤结构，具有比现有方法更好的性能。

    Nov, 2016

  • 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

  • 基于密集连接3D卷积神经网络的MRI肿瘤分割

    本研究提出了基于 3D CNN 的新型分割网络对 Glioma 进行自动分割，该方法利用 MRI 数据帮助病灶分割，分类准确率较高，是一种有效和高效的病灶分割方法，可以帮助研究和评估 Glioma 的治疗效果。

    Jan, 2018

  • 使用远程2D上下文的3D卷积神经网络进行肿瘤分割

    提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合2D和3D上下文，通过级联2D-3D、子网络处理缺失图像序列等策略提高了效率，在BRATS 2017竞赛中良好表现，可用于各种分割任务。

    Jul, 2018

  • ME-Net：用于脑肿瘤分割的多编码器网络框架

    该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类Dice损失函数，该方法可以降低特征提取难度，并显著提高模型性能，在验证集上能够与目前最先进的方法相媲美，在完整肿瘤，肿瘤核和增强肿瘤方面的Dice分数分别为0.70249，0.88267和0.73864。

    Mar, 2022

  • 使用基于3D注意力机制的U-Net进行多类MRI脑肿瘤分割

    本文提出了一种基于3D注意力的U-Net架构，用于使用由三个非本地MRI卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在U-Net的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在BraTS 2021任务1数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态MRI数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

    May, 2023

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用3D U-Net模型，通过大规模的脑MRI扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024