CVPRMar, 2020

IntrA：用于深度学习的三维颅内动脉瘤数据集

PDF
TL;DR研究人员提供了一个开放的 3D 脑动脉瘤数据集（IntrA），可用于诊断和提取颈部进行手术，在医学和深度学习的其他领域中也可用于正常估计和表面重建。他们测试了最先进的网络，并讨论了每种方法的性能和数据集的挑战。
medicinedeep learning3d medical imagesintracranial aneurysmclassification
发现论文，激发创造
  • 颅内动脉瘤检测和定位的神经网络检测

    使用 nnDetection 框架和 TOF-MRA 进行医学图像分析，能够有效检测和定位颅内动脉瘤，具有潜在的临床应用。

    May, 2023

  • 基于深度神经网络的改进动脉瘤分割和检测的血管合成模型

    我们提出了一种完整的合成模型，能够模拟脑血管树的各个组成部分，以及使用三维卷积神经网络（CNN）对各种血管疾病进行分割或检测 / 识别提供了实质性的大脑动脉数据集。在这项研究中，我们特别关注颅内动脉瘤（ICA）的检测和分割，并通过合成血管模型进行了细致的描述、ICA 分割和检测的神经网络构建，并最终对合成模型数据增强所获得的性能差距进行了深入评估。

    Mar, 2024

  • 应用图卷积网络实现深度特征融合来进行颅内动脉标注

    研究了一种新颖的图卷积神经网络来实现脑动脉标注的自动化，通过图节点及其邻居抽取高级别特征表示，并从不同阶层高效地聚合中间特征以提高模型表示能力和标注性能，实验结果证明了其在公共数据集上比基线方法具有明显的优势。

    May, 2022

  • BHSD：一个三维多类别脑出血分割数据集

    通过开发脑出血分割数据集（BHSD），本研究提供了一个包含 192 个像素级注释卷和 2200 个切片级注释卷的 3D 多类脑出血数据集，展示了该数据集在监督和半监督脑出血分割任务上的效用，并提供参考基准实验结果供进一步模型开发和评估使用。

    Aug, 2023

  • 医学影像的 3D 深度学习综述

    本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述，并总结了不同领域中 3D CNN 的研究成果，如分类、分割、检测和定位，同时讨论了医学成像领域（以及深度学习模型的使用）中面临的挑战和未来趋势。

    Apr, 2020

  • 基于 3D 卷积神经网络的腹主动脉瘤分割

    本文提出了首个用于分割腹主动脉瘤的 3D 卷积神经网络，并成功地验证了其在诊断和评估方面的性能，该方法可自动量化主动脉瘤直径，开拓更复杂的主动脉瘤分析机会。

    Mar, 2019

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • Med3D：三维医学影像分析的迁移学习

    本研究为培训深度学习算法所需数据量的问题提出了一种解决方案，通过建立医学图像分割数据集和使用 Med3D 进行多域协同训练，可以加速涉及 3D 医学图像的任务的训练收敛速度和提高准确度。

    Apr, 2019

  • DSA 序列颅内动脉分割的综合基准测试

    本研究旨在研究数字减影（DSA）成像中颅内动脉（IA）的分割及其在 IA 相关疾病的诊断与神经介入手术中的应用，并在此基础上提出了将维度约简与二维 / 三维模型相结合的方法，提出了一种基于涂鸦学习的图像分割框架，SSCR，并介绍了一种基于随机裁剪的自学习框架，旨在提高颅内动脉分割的性能。

    Jun, 2023

  • DeepAAA：利用深度学习进行临床可应用和普适性的腹主动脉瘤检测

    本研究提出了一种基于深度学习的技术，用于检测和量化腹主动脉瘤，该模型架构是一个改进的 3D U-Net 算法与椭圆拟合相结合，可用于主动脉分割和腹主动脉瘤检测，模型经过 321 个腹部 - 盆腔 CT 检查的训练和验证，在 57 个新的检查数据上也具备很高的性能。

    Jul, 2019