医学图像分割的多模态评估方法
基于深度学习和 Dempster-Shafer 理论的多模式医学图像分割的融合框架,在考虑了每个单模态图像在分割不同对象时的可靠性的情况下,通过背景折扣操作对每个模态的证据进行合并,从而达到最终决策。与现有方法相比,实验结果表明我们的方法在准确性和可靠性方面表现优异。
Sep, 2023
我们提出了一个用于三维脑病变分割的通用基础模型,它可以自动分割不同类型和不同成像模态数据的脑病变。我们设计了一种新颖的多模态专家混合框架,利用多个专家网络处理不同的成像模态,并使用分层门控网络将专家预测结果相结合。此外,在训练过程中引入课程学习策略,以避免每个专家网络的退化并保留其专业化。在九个脑病变数据集上评估我们的方法,涵盖了五种成像模态和八种病变类型,结果表明我们的模型优于最先进的通用模型并具有良好的泛化性能。
May, 2024
本文提出了在监督医学图像分析中进行图像融合方案的概念架构,实现了基于卷积神经网络的三种图像融合方案,并将其结合成单个框架,用于同时分析多模式图像,检测软组织肉瘤的存在,并发现在特征级别融合的情况下,性能最好,但当任何图像模式存在大误差时,其鲁棒性会降低。
Oct, 2017
本研究提出了一种全面的评估医学图像分割模型的方法,名为 MIMO,它允许模型生成独立的阈值,然后与多指标评估和置信度估计相结合,对每个器官进行筛选和测量。实验结果表明,MIMO 为多指标和多器官医学图像评估提供了新的见解,并为模型的可用性和全面性提供了明确的度量。
Jun, 2023
通过利用现有数据的局部或稀疏标注分割标签,我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战,实验结果表明,我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能,凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。
Nov, 2023
介绍了一种基于深度学习的图像分割框架,其针对缺失成像模态具有极强的鲁棒性,通过学习每个模态的嵌入向量,实现任意组合的输入,可用于神经疾病 MRI 数据的分割,具有最先进的效果。
Jul, 2016
该论文介绍了一种新颖的多模态方法,用于通过四种不同的成像模态进行脑损伤分割,同时对缺失模态等实际场景具有鲁棒性,以确保病变分割的可靠性。
Aug, 2023
本文介绍了一个用于评估医学图像分割中失败检测方法的综合基准框架,通过分析我们确定了当前失败检测度量的优点和局限性,并推崇风险覆盖分析作为一种整体评估方法,通过在包含五个公开的三维医学图像集合的综合数据集上评估各种失败检测策略的有效性,我们发现像素置信度聚合的重要性,并且观察到在医学图像分割中,集合预测之间的成对 Dice 分数(Roy 等人,2019)表现优秀,将其定位为简单而稳健的失败检测基准。为了促进持续的研究,我们将基准框架提供给社区使用。
Jun, 2024
本研究提出了一种新的框架,Modality-Agnostic learning through Multi-modality Self-dist-illation (MAG-MS),用于研究输入多模式的影响,以增强个体模式的表示学习,从而提高医学图像分割的效率和准确性,并提供了在选择输入模式方面有价值的见解和指导。
Jun, 2023
本文研究使用单个卷积神经网络对不同成像模式下的医学图像进行分割的方法,实验结果表明这种方法在不同任务中具有相当的分割性能,证明了卷积神经网络结构的高容量性。因此,可以在医学实践中使用单个系统进行自动分割任务,而无需进行任务特定的训练。
Apr, 2017