3D 脑部瘤分割的 3D 融合 Transformer
本文提出了使用 Transformer 和 3D CNN 实现 MRI 脑肿瘤分割的新网络 TransBTS。该网络同时利用全局和局部特征进行分割,并在 BraTS 2019 和 2020 数据集上取得了当前最高水平的分割效果。
Mar, 2021
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
该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类 Dice 损失函数,该方法可以降低特征提取难度,并显著提高模型性能,在验证集上能够与目前最先进的方法相媲美,在完整肿瘤,肿瘤核和增强肿瘤方面的 Dice 分数分别为 0.70249,0.88267 和 0.73864。
Mar, 2022
该研究提出了一种多模态医学 Transformer (mnFormer),用于不完整多模态学习的脑肿瘤分割,并且该方法在 BraTS 2018 数据集上显示出了比现有方法更好的表现。
Jun, 2022
通过使用 2D 视觉 Transformer,我们提出了一种基于 Transformer 注意力编码器的 2D 医学图像模型,通过将 3D 图像切割成多个 2D 切片,以诊断 3D MRI 图像中的 AD。我们还提出了形态学增强方法,用于增加 AD 和正常图像之间的结构差异。实验结果表明,我们的模型在诊断 AD 方面表现出强大的能力,并且能够在不同的医学任务中进行泛化,这为医生以一种更简单的方式诊断 AD 提供了可能性。
Jan, 2024
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
本文提出了一种新的转移学习框架 —— 医学变压器,能够在充分利用三个平面信息的同时,有效地使用 2D 图像切片的序列建模三维体积图像。在大规模健康人脑磁共振成像数据集上进行自监督学习预训练后,评估结果表明,我们的做法优于现有 State-of-the-art 的转移学习方法,可将分类任务的参数数量有效减少近 92%。
Apr, 2021
提出了一种将 Transformers 集成到自适应 U-Net 中的新型网络架构,以合理的计算成本提取出三维体积上下文,并探索集成方法,证明了组合多个架构以优化脑肿瘤分割的潜力。
Jul, 2023