Nov, 2020

磁共振前列腺分割中的深度学习：回顾与新视角

PDF
TL;DR该研究采用深度学习算法中的 2D U-Net 来进行 MR 前列腺分割。通过对四个公开数据集的实验，该算法在前列腺分割中取得了较好的效果，并为未来研究者提供了标准化的实验设置。
prostate radiotherapymagnetic resonance imagingdeep learningprostate segmentationprecision radiotherapy
发现论文，激发创造
  • 深度学习在前列腺癌诊断中的应用：mpMRI 分割与分类研究

    使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

    Oct, 2023

  • 评估基于深度学习模型使用不确定性分数进行前列腺癌分割的性能

    比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

    Aug, 2023

  • 深度学习在放疗中实现头颈解剖的临床可应用分割

    采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

    Sep, 2018

  • MicroSegNet: 微超声图像前列腺分割的深度学习方法

    本文提出了一种基于深度学习的方法，即 MicroSegNet，用于对微型超声图像上的前列腺进行自动化、快速、准确的分割，使用了多尺度注释引导变压器 UNET 模型，可以更好地处理前列腺、膀胱和尿道的艺术品和不清晰的图像区域，取得了比现有分割方法更好的结果，还提供了代码与数据集。

    May, 2023

  • 基于卷积神经网络的三维磁共振成像数据前列腺癌分类

    评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

    Apr, 2024

  • ProsDectNet: 桥接前列腺癌检测中的差距通过经直肠 B 模式超声成像

    我们提出了一种多任务深度学习方法 ProsDectNet，用于在 B 超成像中定位前列腺癌，通过最小化熵以改善模型性能，减少误报预测。在 MRI-TRUS 融合针刺活检的 289 名患者中训练和验证 ProsDectNet，然后在另外 41 名患者上进行测试，结果显示 ProsDectNet 在 B 超成像中检测前列腺癌的敏感性为 74％，特异性为 67％。我们的研究表明 ProsDectNet 有潜力用作计算机辅助诊断系统，以改善针刺活检和治疗规划。

    Dec, 2023

  • 使用联合训练驱动的多任务双通道卷积神经网络进行符合 PI-RADS v2 标准的前列腺分区自动分割

    通过使用双分支卷积神经网络，结合多任务学习和自监督损失函数，本研究提出的方法在 MRI 图像分割准确性上相对于基线方法提高了 7.56%、11.00%、58.43% 和 19.67%，分别适用于前列腺外围区（PZ）、过渡区（TZ）、远侧前列腺尿道（DPU）和前纤维肌层（AFS）区域。

    Sep, 2023

  • 基于位置信息的放射学报告引导的半监督学习在前列腺癌检测中的应用

    通过使用未标注图像和基于病灶位置的半监督学习模型，可以改善前列腺病变检测，降低标注负担。

    Jun, 2024

  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

    Apr, 2023

  • 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