Mar, 2022

质量还是数量：一种面向全身 CT 多器官分割的统一方法

PDF
TL;DR该研究旨在探讨质量和数量之间的平衡，以创建适用于医学 CT 扫描的多器官分割统一方法，并产生大量精确的虚拟模型。通过使用具有完全标签的 XCAT 数据集，我们比较了两种分割结构，选择了表现更好的 3D-Unet 模型，并使用此模型生成了少量标签来使 CT-ORG 数据集也可用于训练。实验结果表明，应该以质量为重来提高分割模型的性能。
organ segmentationmedical imagesmulti-organ segmentationct scanningvirtual phantoms
发现论文，激发创造
  • 统一解剖分割的探索：通过知识聚合和解剖指南自动生成全身 CT 数据集

    通过使用基于 nnU-Net 的伪标签和解剖导向的伪标签细化的顺序过程，结合各种碎片化的知识库，我们生成了一个包含 142 个体素级标签对 533 个体积进行了全面解剖覆盖的全身 CT 扫描数据集，该数据集已获得专家批准。我们的方法在标签整合阶段不依赖于手动注释。使用人类专家评估、在 BTCV 数据集上进行的深度学习有用性基准测试（在不使用其训练数据集的情况下实现了 85% 的 Dice 分数）以及医学有效性检查，我们检验了其合理性和实用性。除数据集外，我们还发布了能够对 CT 数据上的 142 种解剖结构进行预测的训练好的统一解剖分割模型。

    Jul, 2023

  • 用于腹部计算机断层扫描的器官分割与肿瘤检测的通用可扩展的语言 - 视觉模型

    提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

    May, 2024

  • 标签高效的多器官分割方法与扩散模型

    本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

    Feb, 2024

  • 计算机断层扫描图像上的实时多器官分类

    在医学影像中，我们提出了一种新方法，通过稀疏采样策略跨广泛视野进行数据选择，实时对多个器官进行分类，从而在不使用加速器的情况下生成全面分割，与现有的分割技术相比，展示了超 ior 优越的运行时潜力。

    Apr, 2024

  • 自动腹部 MRI 器官分割：基于 CT 标签生成的合成数据的应用

    利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

    Mar, 2024

  • 多器官分割的形状感知补充任务学习

    本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

    Aug, 2019

  • 利用 Swinunter 进行 CT 腹部多器官分割

    应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

    Sep, 2023

  • 少脏器数据集下共训练加权平均模型的多器官分割

    本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

    Aug, 2020

  • 一个基于 2.5D ResUnet 模型的肾脏和肿块分割集成

    研究中采用 2.5D ResUnet 构建一个高效的粗到细语义分割框架，对 CT 扫描中的肾脏、肾脏肿瘤和肾囊肿进行自动分割。实验结果表明，肾脏、肿瘤和囊肿的 Dice 系数分别为 0.954、0.792、0.691，表面 Dice 系数分别为 0.897、0.591、0.541，平均每个 CT 扫描的推断时间为 20.65 秒，最大 GPU 内存为 3525MB，这表明在模型性能和效率之间取得了更好的平衡。

    Nov, 2023

  • 胸腹部 CT 扫描中的肾脏异常分割

    使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

    Sep, 2023