通过不确定性校正的金字塔一致性，高效半监督鼻咽癌毛体积分割

Dec, 2020

通过不确定性校正的金字塔一致性，高效半监督鼻咽癌毛体积分割

Efficient Semi-Supervised Gross Target Volume of Nasopharyngeal Carcinoma Segmentation via Uncertainty Rectified Pyramid Consistency

PDF

Xiangde Luo, Wenjun Liao, Jieneng Chen, Tao Song, Yinan Chen...

TL;DR本文提出了一种基于 Uncertainty Rectified Pyramid Consistency (URPC) 正则化的半监督支持下的鼻咽癌（NPC）GTV 分割框架，通过在不同尺度上监督网络和利用未标记的图像实现了出色的分割性能。

Abstract

Gross Target Volume (GTV) segmentation plays an irreplaceable role in radiotherapy planning for nasopharyngeal carcinoma (NPC). Despite that convolutional neural networks (CNN) have achieved good performance for

gtv segmentation convolutional neural networks semi-supervised learning uncertainty rectifying module nasopharyngeal carcinoma

发现论文，激发创造

鼻咽癌放疗计划的肿瘤总体积和危及器官的完全自动分割

使用完全自动的框架，开发了用于头颈部 CT 图像的目标分割的两个模型，成功在 SegRap 2023 挑战赛的验证阶段中取得了这两项任务的第二名。

Oct, 2023

利用 3D U-Net 分割预测头颈部鳞状细胞癌放疗后复发体积

通过使用卷积神经网络 (CNN) 分析患者的术前 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描，研究表明可以预测头颈部鳞状细胞癌患者的局部复发体积，从而为生物学靶向放射疗法提供潜在方法来识别高风险生物体积。

Aug, 2023

SegRap2023: 鼻咽癌放疗计划中危及器官和肿瘤体积分割的基准评估

放疗是治疗鼻咽癌的主要有效策略，精确划定肿瘤区域和风险器官对辐射治疗至关重要。最近，深度学习在医学图像分割任务中取得了有希望的结果。本文详述了 SegRap2023 挑战赛，并分析了所有参与者的解决方案。

Dec, 2023

使用两路级联 3D 深度网络融合在 PET/CT 中准确分割食管肿瘤体积

本文提出了一种利用 PET/CT 医学影像的深度学习处理方法，以提高食管癌治疗中的肿瘤分割精度，经 110 例食管癌患者验证，该方法较之前方法的 Dice 分数提高了 11％（从 0.654 到 0.764），并将 Hausdorff 距离从 129 毫米减少到 47 毫米。

Sep, 2019

多医院鼻咽癌肿瘤分割的双参照源无需活动领域适应

提出了一种新颖的无源主动域适应（SFADA）框架，用于优化鼻咽癌（NPC）中的肿瘤体积分割任务，通过选择特定目标域中的领域不变和领域特定样本进行标注和模型微调，既确保了数据隐私，又减轻了肿瘤学家的工作量。

Sep, 2023

PGU-net+：用于自动宫颈细胞核分割的渐进式增长 U-net+

通过深度学习，基于 PGU-net + 模型的图像特征提取能够有效地改善子宫颈癌的数量分析。

Nov, 2019

多人标注的分割任务中的监督不确定性量化

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

基于深度学习的全骨髓和淋巴结照射计划目标体积自动分割

该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

Feb, 2024

基于多尺度 MPU-Net 的 3D 医学图像分割

本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

Jul, 2023

食管癌与危及器官的自监督学习及其不确定性量化分割

本研究旨在展示自我监督预训练模型在器官风险和肿瘤分割任务中相对于昂贵的全监督学习的影响，所提出的 MC-Swin-U 算法采用了蒙特卡罗变换器，与许多其他模型不同，其使用蒙特卡罗 Dropout 戳降低了不确定性，并在公共和私人数据集上进行了测试和验证，相比大规模注释成本提供了附加收益，并且明显提高了分割评分。

May, 2023