Nov, 2020

nnU-Net 用于脑肿瘤分割

PDF
TL;DR本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时，我们的最终集成在整个肿瘤中，肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03，HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。
brats 2020 challengennu-netsegmentation performancedata augmentationensemble
发现论文，激发创造
  • 优化 U-Net 用于脑肿瘤分割

    本文通过一项消融研究，建议了优化的 U-Net 架构用于 BraTS21 挑战的脑肿瘤分割任务，并在 NVIDIA Deep Learning Examples GitHub 仓库中开源了代码来重现我们的 BraTS21 提交。

    Oct, 2021

  • BRATS2017 挑战赛中的脑肿瘤分割及放射组学生存预测

    本文介绍了一种利用卷积神经网络的特征加上数据增强和 Dice 损失函数的方法，成功应用于大脑肿瘤的分割，同时在乳腺癌核分裂图像的分割中也有着广泛的应用。

    Feb, 2018

  • 脑肿瘤分割的处理和迁移学习的优化框架

    基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

    Feb, 2024

  • 混合多头关注式三维 Unet 用于脑肿瘤分割

    提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

    May, 2024

  • CU-Net：一种用于 BraTS 2019 数据集上高效脑肿瘤分割的 U-Net 架构

    使用 Columbia-University-Net (CU-Net) 架构和 BraTS 2019 数据集，本研究提出了一种精确分割脑肿瘤的新方法，该方法通过卷积层、最大池化和上采样操作构建对称 U 型结构的 CU-Net 模型，Dice 系数高达 82.41%，超过了其他两个最先进的模型，这种分割准确性的提升突显了该模型的鲁棒性和有效性，有助于精确确定肿瘤边界，对于手术规划和放射治疗至关重要，最终有潜力改善患者预后。

    Jun, 2024

  • 训练和比较 nnU-Net 和 DeepMedic 方法用于儿童脑肿瘤自动分割

    通过多机构儿童专用多参 MRI 扫描数据训练，我们比较了两种基于深度学习的三维分割模型，即 DeepMedic 和 nnU-Net，在脑肿瘤分割方面的性能，结果显示儿童专用数据训练的 nnU-Net 模型在整个肿瘤及亚区域分割方面优于 DeepMedic。

    Jan, 2024

  • 如何赢得 BraTS 2023 成人脑胶质瘤挑战？只需模拟！增强合成数据增强和模型集成用于脑肿瘤分割

    利用生成对抗网络、注册方法和深度学习模型在 BraTS2023 挑战赛的脑瘤分割任务中，通过非传统机制进行数据增广，实现大量可用样本进行训练，使用卷积算法和变换器填补彼此的知识差距，最佳解决方案在验证集上达到了 0.9005、0.8673、0.8509 的 Dice 结果和 14.940、14.467、17.699 的 HD95 结果（整个肿瘤、肿瘤核心和增强肿瘤）。

    Feb, 2024

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024

  • 基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

    应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

    Aug, 2023

  • 3D-TransUNet 在 BraTS2023 挑战中用于脑转移灶分割

    通过在 Brain Tumor Segmentation (BraTS-METS) 2023 challenge 数据集上训练 3D-TransUNet 模型，我们探索了两种架构配置：仅在编码器中使用 Transformer 的 Encoder-only 3D-TransUNet 和仅在解码器中使用 Transformer 的 Decoder-only 3D-TransUNet 模型，结果显示 Decoder-only 3D-TransUNet 模型在脑转移分割方面具有增强的效果。

    Mar, 2024