Jan, 2022

多模态非对比增强 MRI 肝肿瘤分割和检测的联合对抗学习

PDF
TL;DR本文提出了一个联合对抗学习框架 (UAL)，用于利用多模态非对比磁共振成像 (NCMRI) 同时分割和检测肝肿瘤，验证实验表明 UAL 在肝肿瘤的临床诊断中有极大的潜力。
multi-modality non-contrast magnetic resonance imagingliver tumorssegmentationdetectionadversarial learning
发现论文，激发创造
  • 基于边缘感知的多任务网络，用于在多模态非对比度 MRI 上集成量化、分割和不确定性预测的肝肿瘤

    本文提出了一种基于边缘感知多任务网络 (EaMtNet) 的方法，可用于联合多索引肝肿瘤的定量、分割和不确定性估计，并使用多任务学习提高分割和定量性能。实验证明，该模型在医学图像分析方面具有可靠的临床辅助工具的潜力。

    Jul, 2023

  • 具有不确定性量化的肝脏肿瘤分割的各向异性混合网络

    研究表明，肝肿瘤是重要的负担，是癌症死亡的第四大原因。为了指导治疗策略，我们提出比较两种基于各向异性模型的管道方法，对肝脏和肿瘤进行分割，同时提出了一种不确定性量化策略用于识别潜在的假阳性肿瘤病变。

    Aug, 2023

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    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

  • 融合跨模态幻觉 MRI 和 CT 辅助纵隔肺肿瘤分割

    本文提出一种名为 CMEDL 的交叉模态教育深度学习分割方法，通过利用低辐射剂量的计算机体层扫描图像，结合核磁共振成像技术中的软组织成像信息，用神经网络进行训练与分割，有效提高其肺肿瘤数据分割的准确性。

    Sep, 2019

  • 肝部 CT 扫描中超高性能病变检测和虚假阳性去除的级联方法

    开发了一个二阶段的肝癌检测管道，其中高灵敏度探测算法在第一阶段发现尽可能多的病变提议，而第二阶段的病变重新分类算法则尽可能删除尽可能多的虚警。

    Jun, 2023

  • 对抗式 CAC-UNet 多级结肠镜恶性组织检测

    本研究提出了一种高效的多级恶性组织检测方法，可用于自动和客观的医学诊断模型，以达到早期癌症检测目的，从而降低死亡率。通过使用设计的对抗性 CAC-UNet 的补丁级模型和恶性区域引导标签平滑处理，以消除负面 WSIs，以降低误检风险。在多模型集合选择的关键补丁上，设计了 CAC-UNet 来实现稳健分割，其中镜像设计的鉴别器能够无缝融合精心设计的强大背骨网络的整个特征图，没有任何信息丢失。此方案在 MICCAI DigestPath2019 挑战赛结肠镜组织分割和分类任务中取得了最佳结果。

    Jun, 2020

  • 利用多视角数据进行无注释的前列腺 MRI 分割：对比方法

    通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

    Aug, 2023

  • 使用级联完全卷积神经网络自动分割 CT 和 MRI 体积中的肝脏和肿瘤

    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

  • 采用对象相关高层特征的改进 U-Net (mU-Net) 用于 CT 图像中肝脏和肝肿瘤分割的提升

    本文介绍了一种将残差通路与反卷积和激活操作相结合的 U-Net 架构，用于肝和肝癌的自动分割，进而提高肝癌放疗任务的效率。在 LiTS 2017 数据集上，经验证明这种改进的 U-Net（mU-Net）优于现有的最先进网络。

    Oct, 2019

  • MUVF-YOLOX: 用于肾肿瘤诊断的多模态超声视频融合网络

    本文旨在将 B 模式和 CEUS 模式超声视频相结合，提出一种新的多模式超声视频融合网络，用于肾肿瘤的检测和分类，并在多中心数据集上进行了实验验证。实验结果表明，该方法优于竞争方法并提高了肿瘤诊断的准确率。

    Jul, 2023