3D 多模 MRI 扫描中脑肿瘤的综合分割
为了更广泛地将自动脑肿瘤分割算法应用于临床,建立了 Brain MR 图像合成基准(BraSyn),用于基准测试图像合成方法来合成缺失的 MRI 模态,以实现多模态且多样化的数据集。
May, 2023
利用生成对抗网络合成缺失的磁共振成像序列,为医生提供更准确的脑肿瘤诊断和支持人工智能方法在脑肿瘤磁共振成像中的应用。
Oct, 2023
本文研究了利用生成模型如 GANs 构建的合成影像,其在大脑肿瘤分割任务上与真实影像训练的性能差异,发现实验结果在一定数据量下合成影像可以很好地训练神经网络,而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。
Jun, 2023
采用 CycleGAN 并引入注意力机制和多级结构生成高组织对比度 MRI 图像,来增强 MRI 组织分割。实验结果表明,该方法在肿瘤边界分割上取得了可观的提升。
Jun, 2020
通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割,本研究在 BraTS-GoAT 挑战中的各种人群(如成人、儿科和非洲撒哈拉以南地区)的脑部 MRI 扫描图像中自动分割肿瘤,并通过大量的模型集成和后处理方法在未知验证集上表现良好,平均 DSC 为 85.54%,HD95 为 27.88。
May, 2024
提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D,可以调节病理表型和对比度,生成高保真的合成图像和相关分割,以改善在数据中存在意外病变时的分割模型性能问题。
Nov, 2023
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
提出了一种带有肿瘤原型驱动和多专家集成的多模式磁共振脑肿瘤分割方法,利用原型突出每个肿瘤亚区的特征并生成相应的激活图,进而提高分割性能。
Jul, 2023
针对脑癌中最具侵略性和最致命的类型之一,我们提出了一种新的方法,BRAINNET,利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜,该方法在 MRI 图像中获得了前所未有的高准确率。
Nov, 2023
本研究利用编码器 - 解码器结构,结合变分自编码器总体约束方法,从大量的 3D MRI 数据中,实现了对脑肿瘤细分的自动化分割,并在 BraTS 2018 挑战中获得了第一名。
Oct, 2018