Apr, 2023

基于多模态融合和非线性相关学习的脑肿瘤复发位置预测

PDF
TL;DR本文提出了一种基于深度学习的脑肿瘤复发位置预测网络，使用多模态脑肿瘤分割网络进行预训练，并开发了多尺度多通道特征融合模型和非线性相关学习模块来学习有效特征，同时使用 KL 散度进行特征之间的相似度评估，以此为基础设计了相关损失函数，通过联合分割当下和预测未来肿瘤位置来更精确有效地制定治疗方案，实验证明该方法对于预测有限数据集中的脑肿瘤复发位置具有良好的效果。
brain tumor recurrencedeep learningmulti-modal segmentationtransfer learningcorrelation learning
发现论文，激发创造
  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。

    Dec, 2023

  • 使用 3D 注意力 UNet 进行脑肿瘤分割和生存预测

    本文研究了使用卷积神经网络结合注意力机制进行脑肿瘤分割和预测患者生存率的方法，其中应用了一些基于图像、形状和位置信息的新型 Radiomic 特征，并发现像组织学特征直方图、病灶位置、形状以及年龄等临床特征是预测生存率的最为关键的因素。

    Apr, 2021

  • 学习未学习特征用于脑肿瘤分割

    本文提出了基于主动学习和元学习的功能微调算法，以帮助网络不忘记原始任务，实现大脑肿瘤分割的准确识别，并展示了从高级别胶质瘤到脑转移的迁移学习方法，证明所提出的算法可以在短时间内实现对于胶质瘤和脑转移领域的平衡参数。

    May, 2023

  • BRATS2017 挑战赛中的脑肿瘤分割及放射组学生存预测

    本文介绍了一种利用卷积神经网络的特征加上数据增强和 Dice 损失函数的方法，成功应用于大脑肿瘤的分割，同时在乳腺癌核分裂图像的分割中也有着广泛的应用。

    Feb, 2018

  • 脑肿瘤分割的处理和迁移学习的优化框架

    基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

    Feb, 2024

  • 无监督特征相关性模型预测乳房异常变异图谱的纵向乳房 X 光检查

    针对乳腺异常的早期检测和准确诊断进行研究，通过使用长期观察的二维乳房 X 射线照片预测乳房异常变异，提出了一种新型的无监督特征相关网络模型，通过重建当前年份和前一年份的乳房 X 射线照片提取不同区域的组织并分析其差异，从而识别可能表明癌症存在的异常变异。该模型利用特征相关模块、注意力抑制门和乳房异常检测模块共同改善预测的准确性，不仅提供乳房异常变异图，还能区分正常和癌症乳房 X 射线照片，相比现有模型更为先进。研究结果表明，该模型在准确性、灵敏度、特异度、Dice 得分和癌症检测率方面优于基准模型。

    Dec, 2023

  • 通过潜在的多源相关表示进行缺失模态的脑肿瘤分割

    本文提出了一种新颖的相关性表示块，其可以在缺失模态的情况下发现潜在的多源相关性，并通过注意机制将模态间的相关性表示融合成一个共享表示，从而提高脑肿瘤分割的鲁棒性，并在 BraTS 2018 数据集上取得了最新的最佳表现。

    Mar, 2020

  • 利用 3D U-Net 分割预测头颈部鳞状细胞癌放疗后复发体积

    通过使用卷积神经网络 (CNN) 分析患者的术前 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描，研究表明可以预测头颈部鳞状细胞癌患者的局部复发体积，从而为生物学靶向放射疗法提供潜在方法来识别高风险生物体积。

    Aug, 2023

  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    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

  • 基于模态配对学习的脑肿瘤分割

    本研究介绍了一种新的端到端后模态配对学习方法，它利用了不同模态功能，捕获了多模态之间的复杂关系和丰富信息，并通过平均多个模型和一些后处理技术获得了较好的脑肿瘤分割性能，最终在 BraTS 2020 挑战赛获得了肿瘤分割任务的第二名。

    Oct, 2020