培训数据集大小和集成推论策略对头颈自动分割的影响

Mar, 2023

培训数据集大小和集成推论策略对头颈自动分割的影响

The impact of training dataset size and ensemble inference strategies on head and neck auto-segmentation

Edward G. A. Henderson, Marcel van Herk, Eliana M. Vasquez Osorio

TL;DR研究了用不同大小的数据集（25-1000 个扫描）训练三维卷积神经网络以在放射治疗中自动分割头颈部器官的精度和鲁棒性，同时还评估了多种集成技术来改善这些模型的性能，结果表明集成技术对于较小的数据集的影响最为明显，并具有使用困难训练集的潜力。

Abstract

convolutional neural networks (CNNs) are increasingly being used to automate segmentation of organs-at-risk in radiotherapy. Since large sets of highly curated data are scarce, we investigated how much data is re

convolutional neural networks auto-segmentation ensemble techniques radiotherapy medical imaging

发现论文，激发创造

FocusNet：头颈 CT 图像的端到端深度神经网络，用于不平衡的大和小器官分割

本文提出了一种端到端的神经网络模型用于解决头颈 CT 影像中不平衡大小器官分割的问题，并通过特定的小器官网络准确地分割小器官，最终在收集的实际数据和 MICCAI 头颈自动分割竞赛数据集上具有优秀的表现。

Jul, 2019

深度学习在放疗中实现头颈解剖的临床可应用分割

采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

Sep, 2018

CT 影像中小体积的深度学习分割在放射治疗计划中的应用

通过优化 V-Net 模型的器官分割算法，提高小体积器官的分割精度，特别是眼球晶状体的分割，在医学影像中取得了显著的改进。

Apr, 2024

训练医学影像深度学习系统所需数据量达到高准确度需要多少？

本文旨在研究最佳培训数据集的大小，以实现医学图像分类系统中高分类精度和低方差。通过使用学习曲线方法来预测在给定的培训样本大小下的分类精度，我们提出了确定达到特定目标分类精度所需培训数据集大小的通用方法，可轻松应用于此类系统中的其他问题。

Nov, 2015

基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 2023

改进用于多样人群的卷积神经网络脑肿瘤分割

通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割，本研究在 BraTS-GoAT 挑战中的各种人群（如成人、儿科和非洲撒哈拉以南地区）的脑部 MRI 扫描图像中自动分割肿瘤，并通过大量的模型集成和后处理方法在未知验证集上表现良好，平均 DSC 为 85.54％，HD95 为 27.88。

May, 2024

儿童脑肿瘤的自动集成分割：使用 CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 挑战数据的新方法

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

Aug, 2023

基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准

癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

Apr, 2024

乳腺肿瘤分类的集成卷积神经网络

本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

Apr, 2023

面部和颈部癌症患者的肿瘤图学习进行生存预测

通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

Apr, 2023