Jul, 2022

使用网格卷积神经网络预测未破裂颅内动脉瘤的增长

PDF
TL;DR本研究使用基于网格卷积神经网络的方法，通过附加形状和曲折程度等不同特征，对未破裂颅内动脉瘤的生长情况进行预测，该模型的 AUC 最高可达 63.8%，对于生长情况的预测有着良好的表现。
发现论文，激发创造
  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • 基于深度神经网络的改进动脉瘤分割和检测的血管合成模型

    我们提出了一种完整的合成模型，能够模拟脑血管树的各个组成部分，以及使用三维卷积神经网络（CNN）对各种血管疾病进行分割或检测 / 识别提供了实质性的大脑动脉数据集。在这项研究中，我们特别关注颅内动脉瘤（ICA）的检测和分割，并通过合成血管模型进行了细致的描述、ICA 分割和检测的神经网络构建，并最终对合成模型数据增强所获得的性能差距进行了深入评估。

    Mar, 2024

  • 颅内动脉瘤检测和定位的神经网络检测

    使用 nnDetection 框架和 TOF-MRA 进行医学图像分析，能够有效检测和定位颅内动脉瘤，具有潜在的临床应用。

    May, 2023

  • 基于 3D 卷积神经网络的腹主动脉瘤分割

    本文提出了首个用于分割腹主动脉瘤的 3D 卷积神经网络，并成功地验证了其在诊断和评估方面的性能，该方法可自动量化主动脉瘤直径，开拓更复杂的主动脉瘤分析机会。

    Mar, 2019

  • 基于初始 CT 扫描的深度学习模型增强颅内出血患者死亡率预测

    使用基于卷积神经网络的算法通过处理初始 CT 扫描图像，能够以高准确度预测蛛网膜下腔出血患者的死亡率。

    Aug, 2023

  • IntrA：用于深度学习的三维颅内动脉瘤数据集

    研究人员提供了一个开放的 3D 脑动脉瘤数据集（IntrA），可用于诊断和提取颈部进行手术，在医学和深度学习的其他领域中也可用于正常估计和表面重建。他们测试了最先进的网络，并讨论了每种方法的性能和数据集的挑战。

    Mar, 2020

  • 基于平衡聚焦 U-Net 的多类别和类别不平衡标记分割，用于部署的支架内自动化 3D 形态实例化

    本文提出了一种基于 Equally-weighted Focal U-Net 的自动化 3D 形状实例化方法，证明该方法在标记分割和 3D 形状实例化方面具有较高的精度，对于机器人路径规划也具有重要意义。

    Nov, 2017

  • 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

  • 增强即自动网络：面向医学图像分割的增强驱动对比多视角学习

    该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

    Nov, 2023

  • CV-Attention UNet：基于注意力机制的 3D 脑血管增强 TOF-MRA 图像分割

    通过使用时飞磁共振血管成像等技术，本文提出了 3D 脑血管关注 UNet 方法，并通过交叉验证和标注数据验证了其在精确识别脑血管结构方面的优越性。

    Nov, 2023