无标记肝肿瘤分割
利用计算机断层扫描(CT)检查中早期肿瘤的相似成像特征,本研究使用生成式人工智能模型制造现实感肿瘤,可以泛化到多个器官,并且所得到的模型可以在不同机构的 CT 图像中检测和分割真实肿瘤。
Feb, 2024
通过细胞自动机模拟肿瘤的发展过程,我们建立了一套通用规则,将肿瘤状态整合到原始计算机断层扫描图像中,生成了不同器官的合成肿瘤。经过临床读者研究和技术性评估,证明了合成肿瘤的真实性和早期癌症检测的潜力。
Mar, 2024
AI Radiologist 是一种使用卷积神经网络进行肝脏组织分割和三维插值的图像处理工具,通过现有的体积和预训练模型的选择,为临床医生提供了方便的肝脏组织分割方法。
Jun, 2024
提出了一种用于计算机断层扫描(CT)图像中肝脏和肝脏病变联合分割的模型,该模型利用两个全卷积网络并置并端对端联合训练;在 2017 年 MICCAI 肝肿瘤分割挑战赛中,我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数,不同于其他表现优秀的方法,我们的模型不需要使用外部数据,并提出了一个简单的单阶段模型进行端到端的训练。然而,我们的方法几乎达到了顶尖的病变分割性能,并在保持高召回率的情况下实现了第二高的病变检测精度。
Jul, 2017
AI 驱动的肿瘤分析通过引入节省肿瘤收集和注释成本的高效解决方案(FreeTumor)取得了显著进展,通过对大规模数据进行综合训练和扩展数据集,在肿瘤分割方面展现出了优越性能。
Jun, 2024
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
本文介绍了一种使用生成对抗网络生成合成医学影像的数据增强方法,该方法通过使用经典数据增强技术扩大训练集并应用 GAN 技术扩大数据大小和多样性。我们的方法在 182 个肝脏病变的计算机断层扫描(CT)图像数据集上进行了演示,并发现使用合成数据增强可以显著提高分类效果。
Jan, 2018
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