提出了一种用于计算机断层扫描(CT)图像中肝脏和肝脏病变联合分割的模型,该模型利用两个全卷积网络并置并端对端联合训练;在 2017 年 MICCAI 肝肿瘤分割挑战赛中,我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数,不同于其他表现优秀的方法,我们的模型不需要使用外部数据,并提出了一个简单的单阶段模型进行端到端的训练。然而,我们的方法几乎达到了顶尖的病变分割性能,并在保持高召回率的情况下实现了第二高的病变检测精度。
Jul, 2017
利用深度卷积神经网络,以 2.5D 方式对肝脏 CT 图像进行分割,并在 130 个 LiTS 训练数据集上进行训练,在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67,时隔 ISBI2017 会议后获得了该领域的第一名。
Apr, 2017
本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位,并通过检测器本地化损伤,提高了分割网络的准确性。
Nov, 2017
该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段,以实现高质量的医学影像分析和临床诊断。论文结果表明,其分割结果和计算时间均较为准确和快速。
Feb, 2017
使用生成对抗网络合成医学图像,然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。
Mar, 2018
本文介绍了使用级联的全卷积神经网络和密集的 3D 条件随机场来自动分割 CT 腹部图像中的肝脏和病变的方法,实现了对肝脏和病变的语义分割,其 Dice 分数超过 94%,每个体积计算时间低于 100 秒。
Oct, 2016
本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法,通过级联 ResNet 架构和多尺度融合生成更精确的边界定义,该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。
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
提出了一种名为 Pixel-Lesion-pAtient Network (PLAN) 的新型框架来解决肝脏肿瘤的筛查、分割和分类问题,同时利用大规模多相数据集进行测试,结果表明其优于常见的卷积神经网络和 transformers,并接近于资深人类放射科医生的表现。
Jul, 2023
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