FocusNet：头颈 CT 图像的端到端深度神经网络，用于不平衡的大和小器官分割

Jul, 2019

FocusNet：头颈 CT 图像的端到端深度神经网络，用于不平衡的大和小器官分割

FocusNet: Imbalanced Large and Small Organ Segmentation with an End-to-End Deep Neural Network for Head and Neck CT Images

PDF

Yunhe Gao, Rui Huang, Ming Chen, Zhe Wang, Jincheng Deng...

TL;DR本文提出了一种端到端的神经网络模型用于解决头颈 CT 影像中不平衡大小器官分割的问题，并通过特定的小器官网络准确地分割小器官，最终在收集的实际数据和 MICCAI 头颈自动分割竞赛数据集上具有优秀的表现。

Abstract

In this paper, we propose an end-to-end deep neural network for solving the problem of imbalanced large and small organ segmentation in head and neck (HaN) CT images. To conduct radiotherapy planning for nasopharyngeal cancer, more than 10 organs-at-risk (normal organs) need to be prec

deep neural network imbalanced segmentation head and neck ct images specifically designed small-organ sub-networks miccai head and neck auto segmentation challenge

发现论文，激发创造

CT 影像中小体积的深度学习分割在放射治疗计划中的应用

通过优化 V-Net 模型的器官分割算法，提高小体积器官的分割精度，特别是眼球晶状体的分割，在医学影像中取得了显著的改进。

Apr, 2024

AnatomyNet：用于快速全自动头颈部解剖结构体积分割的深度学习

利用深度学习模型 - AnatomyNet 可以自动分割头颈部 CT 图像中的 OARs，该模型的 3 个核心特点包括全容积编码方式、编码层中的 3D squeeze-and-excitation 剩余块、以及基于 Dice 分数和 focal loss 的新损失函数。相较于之前的分割方法，AnatomyNet 显著提高了分割精度（Dice 相似系数增加了 3.3%），同时可在 0.12 秒内处理完整个头颈部 CT 图像，并且无需或很少需要前 / 后处理步骤。

Aug, 2018

深度学习在放疗中实现头颈解剖的临床可应用分割

采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

培训数据集大小和集成推论策略对头颈自动分割的影响

研究了用不同大小的数据集（25-1000 个扫描）训练三维卷积神经网络以在放射治疗中自动分割头颈部器官的精度和鲁棒性，同时还评估了多种集成技术来改善这些模型的性能，结果表明集成技术对于较小的数据集的影响最为明显，并具有使用困难训练集的潜力。

Mar, 2023

鼻咽癌放疗计划的肿瘤总体积和危及器官的完全自动分割

使用完全自动的框架，开发了用于头颈部 CT 图像的目标分割的两个模型，成功在 SegRap 2023 挑战赛的验证阶段中取得了这两项任务的第二名。

Oct, 2023

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

使用多尺度特征抽象技术分割部分标记的多器官数据集

本文提出了一种多尺度深度神经网络结构，利用多个部分标注的数据集进行多器官图像分割的训练，采用金字塔输入和特征分析结合的方法解决了来自不同尺度的特征融合所带来的语义鸿沟问题，并引入深度监督机制和自适应加权层，通过实现了 Pyramid Input Pyramid Output Feature Abstraction Network (PIPO-FAN)，在四个公开数据集上达到了非常好的效果。

Jan, 2020

采用器官注意力网络和统计融合的腹部多器官分割

使用器官注意力网络，结合反向连接，以 2D 视图特征分割 3D CT 体积中的腹部器官。统计融合不同方向上的 2D 视图，实现准确和鲁棒的分割结果。

Apr, 2018

用于胸部 CT 中多器官分割的二维扩张残差 U-Net

本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

May, 2019

具有先前知識的神經網路用於部分監督的多器官分割

本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

Apr, 2019