Oct, 2022

术后MRI体积中切除空腔分割的不同自动化解决方案比较，包括纵向采集

HTML
PDF
TL;DR通过采用五种基于3D U-Net架构的深度学习方法，本文旨在自动分割术后MRI中的切除腔。我们使用一个包含四个MRI序列和相应切除腔的基准真实数据集。实验结果表明，仅使用T1增强MRI序列训练的方法达到了最佳分割效果，中位数DICE指数为0.81。
发现论文，激发创造
  • V-Net: 用于体积医学影像分割的全卷积神经网络

    本文提出了一种基于全卷积神经网络的三维图像分割方法，通过优化Dice系数的目标函数，应对前景和背景体素数量极不平衡的情况，并通过数据增强技术提高数据样本的数量和多样性，实验结果表明该方法在肺部三维图像分割任务中取得了较好的性能。

    Jun, 2016

  • 基于不确定性的合理性检查：应用于术后脑肿瘤空洞分割

    该研究使用蒙特卡罗dropout法计算神经网络的参数不确定性，以提高神经网络模型对图像分割的可靠性，并将此方法应用在临床数据中，表明该方法对不均质图像精准分割效果显著，同时还能发现分割中的异常结果，显示神经网络的参数不确定性能够对其进行验证。

    Jun, 2018

  • 深度学习在计算机断层摄影和磁共振成像分割中的自动化应用：初学者指南

    本教程论文旨在从基础概念、深度学习算法、工具和框架，方法开发和图像分析等方面，为医学影像处理与分析领域的新手提供基础概述，并使用公共数据提供样例任务，并针对方法开发和图像分析提供了最佳实践建议，旨在助力研究者克服初学阶段的挑战。

    Apr, 2023

  • 基于深度神经网络的早期术后多模态MRI下脑胶质母细胞瘤分割

    本研究针对脑胶质母细胞瘤患者，在早期手术后磁共振图像中准确分割和分类残余肿瘤是估计切除范围的关键。通过针对该任务训练两个最先进的神经网络结构，并在欧洲和美国的12个医院的近1000名患者上进行广泛验证，该研究表明最佳性能可达到61％的Dice分数，最佳分类性能为约80％的平衡准确性，并且最佳模型的分割性能与人类专家医师相当。通过预测分割可将患者准确分类成残留肿瘤和完全切除两类。

    Apr, 2023

  • AdaptiveSAM：用于手术场景分割的SAM调优方法

    手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为AdaptiveSAM的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

    Aug, 2023

  • 基于深度学习的术中磁共振图像重建

    通过对深度学习重建的质量进行评估，本研究旨在评估前瞻性加速的术中磁共振成像（iMRI）在切除性脑肿瘤手术中的质量。

    Jan, 2024

  • 基于CT的胸腔外科手术计划的解剖分割：对3D U型深度学习模型的基准研究

    最近对患者特定胸部手术规划和仿真的兴趣日益增加，要求从自动医学影像分割算法中高效、稳健地创建数字解剖模型。深度学习（DL）现在在各种放射学任务中处于领先地位，U型DL模型在医学影像分割方面表现出色，自2D UNet的诞生以来已经有很多U型模型的变体。目前，尚缺乏对这些模型进行系统的基准研究，尽管最近大规模多标签数据库的发展为该领域提供了机会。我们首次对3D U型模型的变体（3DUNet，STUNet，AttentionUNet，SwinUNETR，FocalSegNet以及一种新的带有四种变体的3D SwinUnet）进行了基准研究，其重点是基于CT的胸部手术解剖分割。我们的研究系统地考察了不同注意力机制、分辨率级别数量和网络配置对分割准确率和计算复杂度的影响，并进行了与最近的其他基准研究的交叉参考，包括对BTCV腹部结构分割的性能评估。在STUNet排名首位的情况下，我们的研究证明了用于所研究任务的基于CNN的U型模型的价值，以及在网络配置设计中使用剩余块以提高分割性能的好处。

    Feb, 2024

  • 术后胶质母细胞瘤分割：基于深度卷积神经网络的完全自动化流程的开发及与当前可用模型的比较

    准确评估肿瘤切除是管理胶质母细胞瘤的关键。我们使用MRI扫描和神经网络开发了一个流程，可以在术后图像中分割肿瘤亚区域和手术空腔。我们的模型在准确分类切除程度方面表现出色，为临床医生评估治疗效果提供了有价值的工具。

    Apr, 2024

  • CT和MRI扫描中头颈癌患者风险器官的自动分割

    该研究使用深度学习技术对头颈癌患者的MRI和CT扫描图像中的30种危及器官进行分割，达到了目前挑战赛的最佳水平，并在头颈危及器官自动分割方面创造了新的技术前沿。

    May, 2024

  • 使用简单方法有效分割治疗后胶质瘤：人工序列生成与集成模型

    本研究针对术后胶质瘤分割中常见的困难，提出了两种简单的方法以提升深度学习模型的分割性能。通过引入基于线性组合的额外MRI序列输入和多种集成方法，本研究显著改善了分割效果，强调了这些简单方法在医学影像分割任务中的有效性和潜在影响。

    Sep, 2024