MULAN:联合病变检测、标记和分割的多任务通用病变分析网络
提出了一种新的多任务病变检测方法,应用于多种用于医学成像分析的单病例数据集中,利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释,从而提高三维体积通用病变检测的性能,与当前最先进的方法相比,平均灵敏度提高了 29%。
May, 2020
该研究使用深度学习和多标签分类方法设计了一个名为 LesaNet 的病变注释网络,它可以准确的为超过 32k 的多样性病变图像进行分类并提取出 171 个精细标签,平均 AUC 达到 0.9344。
Apr, 2019
肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的,因此,多任务学习是一种从少量医学数据中提取重要特征(如病灶)的方法,因为它能更好地进行泛化。我们提出了一种新颖的多任务框架,用于分类、分割、重建和检测。据我们所知,我们是第一个将检测添加到多任务解决方案中的研究者。此外,我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。
Aug, 2023
该研究旨在开发一种通用的病变检测算法,通过利用粗略标注和临床知识,在多个异构数据集上进行训练,实现在多种病变类型下的准确检测。
Sep, 2020
通过在多个阶段运用神经网络进行多相计算机断层扫描,结合分割模型和单相训练,我们的方法在肝脏病变分割性能上取得了 1.6% 的改进,并降低了 8% 的主体间性能差异。
Apr, 2024
该论文提出了一种基于 HRNet 的弱监督方法,称为 AHRNet,通过区域级别集合(RLS)损失进行优化,可实现精准的通用病变分割,实验证明在公共数据集 Deeplesion 上取得了最佳表现。
May, 2021
使用 Faster-RCNN 和 SkinNet 的多任务卷积神经网络(CNN)的联合检测和分割框架,对皮肤病变进行准确和自动地划分,并且在 ISBI 2017 数据集上得到了 Dice 系数大于 0.93、Jaccard 系数大于 0.88、准确率大于 0.96 和敏感度大于 0.95 的良好表现。
Aug, 2018
本文提出了一种新型的 LCAUnet 用于改善传统方法中经常被忽视的边缘和身体特征结合的能力,通过局部交叉注意力操作在编码器阶段融合边缘和身体的特征图,进一步嵌入 PGMF 模块进行特征集成,实验证明 LCAUnet 在公共可用数据集 ISIC 2017、ISIC 2018 和 PH2 上表现优于大多数最先进的方法,该方法有利于皮肤病变的精确分割。
May, 2023
本文探讨基于卷积神经网络(CNN)的分割解决方案,以提供多模式磁共振成像的快速,可靠的病变和灰质结构分割,重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能,并比较了其他方法的性能表现。
Jan, 2019
在肿瘤学研究中,准确的 CT 扫描病灶 3D 分割对于病灶生长动力学的建模至关重要。然而,根据 RECIST 准则,放射科医生通常仅在显示最大横截面面积的轴位切片上勾画每个病灶,并在研究目的上勾画少量的 3D 病灶。因此,我们有大量未标记的 3D 体积和带标签的 2D 图像,以及稀缺的标记的 3D 体积,这使得训练深度学习 3D 分割模型成为一项具有挑战性的任务。本研究提出了一种新模型,称为多维统一的 Swin Transformer (MDU-ST),用于 3D 病灶分割。MDU-ST 由一个偏移窗口变换器 (Swin-transformer) 编码器和一个卷积神经网络 (CNN) 解码器组成,使其能够适应 2D 和 3D 输入,并在同一编码器中学习相应的语义信息。基于该模型,我们引入了一个三阶段框架:1) 通过自我监督的先验任务利用大量未标记的 3D 病灶体积来学习 Swin-transformer 编码器中病灶解剖学的潜在模式;2) 对 Swin-transformer 编码器进行微调,以使用 2D RECIST 切片执行 2D 病灶分割,学习切片级分割信息;3) 进一步对 Swin-transformer 编码器进行微调,以使用带标签的 3D 体积执行 3D 病灶分割。该网络的性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在一个内部的 3D 病灶数据集上进行评估,其中包含来自多个解剖位置的 593 个病灶。所提出的 MDU-ST 相比竞争模型表现出显著改进。该方法可用于进行自动化的 3D 病灶分割以辅助放射组学和肿瘤生长建模研究。本论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。
Sep, 2023