Aug, 2019

使用部分注释进行全脑分割的迁移学习

PDF
TL;DR本研究提出了一种新的多任务学习框架，利用大量自动生成的部分注释和少量手工创建的完整注释进行网络训练，解决了使用深度神经网络进行 3D 脑图像分割的挑战，同时提高了全脑分割的性能。
brain mr image segmentationneuroimagingdeep neural networksmulti-task learningautomatic annotations
发现论文，激发创造
  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • 梯度引导采样的脑 MR 图像暗示性标注

    提出有效的脑 MR 图像注释框架，通过少量提示性注释样本训练可达到与完整数据集训练相媲美的性能，从而节省手动注释成本并提高医学图像处理中的数据效率。

    Jun, 2022

  • 基于迁移学习的脑部损伤分割元分析

    本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

    Jun, 2023

  • 基于空间定位的图谱网络瓦块的 3D 全脑分割

    本文提出了一种名为 SLANT 的方法，结合传统医学图像处理和深度学习， 提供了一种分布式多个独立 3D 全卷积网络进行高分辨率全脑分割的方法， 并将其应用于大量未标记扫描的辅助标签， 与传统多图谱分割方法相比，该方法的性能更优，并将计算时间从 > 30 小时缩短至 15 分钟。

    Mar, 2019

  • 协作学习用于高效注释体积 MR 图像分割

    建立了一种深度学习方法，探索了稀疏标注，即每个 3D 训练 MR 图像只有一个 2D 切片进行标注，与 ICT 相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均 B-IoU 增加了 10.0% 以上（提出的方法 B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均 B-IoU 增加了 6.0% 以上（提出的方法 B-IoU：66.1% vs. ICT B-IoU：60.1%）。

    Dec, 2023

  • 基于无监督深度学习的贝叶斯脑 MRI 分割

    本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。

    Apr, 2019

  • 从噪音注释中学习分割胎儿脑组织

    本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

    Mar, 2022

  • 针对脑肿瘤分割问题的弱监督微调方法

    本研究利用同时使用 MRI 图像中的像素级注释和图像级注释，提出了一个学习框架，用于大脑肿瘤的分割模型，并研究了像素级注释和图像级注释的比较量对分割质量的影响，并将我们的方法与传统的全监督方法进行比较，并展示了我们的方法在分割质量方面的优势。

    Nov, 2019

  • DeepAtlas: 图像注册和分割的联合半监督学习

    本文提出了一种基于深度学习的框架，联合学习图像配准和图像分割网络，在考虑到现有分割数据的情况下，同时提高分割和配准的准确性，并利用配准产生的数据增强对分割网络进行训练，实现在有限的训练数据集上训练高质量的模型。在膝盖和脑部 MRI 图像上，与以往研究相比，我们的方法具有更高的分割和配准准确度，且只需用一张标记图像就可实现 2.7% 和 1.8% 的 Dice 分数提升。

    Apr, 2019

  • 基于深度学习的胎儿脑 MRI 无监督分割及级联配准

    基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

    Jul, 2023