恶性胶质母细胞瘤脑瘤的检测和分类
本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤(脑膜瘤、胶质瘤和垂体瘤)进行自动分割及识别,实验结果表明,采用了循环残差 U-Net 模型能达到平均交并比 0.8665,相比其它深度学习模型具有明显的优势。
Apr, 2023
本研究提出了一种基于深度学习的模型用于对磁共振成像(MRI)扫描中的脑肿瘤进行分类和分割。该模型通过 EfficientNetB1 体系结构进行图像分类,基于 U-Net 体系结构进行精确的肿瘤分割,并在公共数据集上得到了高准确率和分割度量,表明它们在脑肿瘤的诊断和治疗中具有可能的临床应用价值。
Apr, 2023
该研究介绍了基于深度学习的自动化脑肿瘤分割技术,利用 3D U-Net 模型,通过大规模的脑 MRI 扫描数据集进行分割,并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效,为临床实践提供有价值的支持。
Apr, 2024
该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法,利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能,得出的结果比现有的最优方法提升了 30 倍以上。
May, 2015
本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型,包括多尺度方法。与以前的工作相比,我们的提案的一个区别是,输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的 MRI 图像:脑膜瘤、胶质瘤和垂体瘤,并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含 233 名患者 3064 张切片的公开可用的 MRI 图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中,我们的方法以 0.973 的肿瘤分类准确度明显高于使用相同数据库的其他方法。
Feb, 2024
针对脑癌中最具侵略性和最致命的类型之一,我们提出了一种新的方法,BRAINNET,利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜,该方法在 MRI 图像中获得了前所未有的高准确率。
Nov, 2023
本文提出了一种基于 3D 全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的 3D 卷积来学习 3D 肿瘤 MRI 数据的新方法,该方法能够识别 MRI 上的高级肿瘤结构,具有比现有方法更好的性能。
Nov, 2016
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
该论文提出了一个基于机器学习的系统,通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全,且能提供大量的患者信息,包括肿瘤的大小、位置和严重程度等。研究结果表明,该系统准确率高、高效且易于使用。
Apr, 2023
本研究提出了基于 3D CNN 的新型分割网络对 Glioma 进行自动分割,该方法利用 MRI 数据帮助病灶分割,分类准确率较高,是一种有效和高效的病灶分割方法,可以帮助研究和评估 Glioma 的治疗效果。
Jan, 2018