May, 2023

联合结构和扩散 MRI 进行丘脑核的领域不可知分割

PDF
TL;DR该研究提出了一种使用卷积神经网络（CNN）从任意分辨率的 T1 和扩散数据中区分丘脑核的方法，该方法基于一种公共组织学图谱和高质量扩散数据的银标准分割工具，并可应用于不同来源的数据集。
thalamusmrisegmentationdiffusioncnn
发现论文，激发创造
  • DeepThalamus: 从多模态超高分辨率 MRI 自动分割脑丘核的新颖深度学习方法

    本研究设计并实现了一个多模态体积深度神经网络，用于超高分辨率（0.125 mm3）下丘脑核的分割，并与其他方法进行了比较，在分割质量和效率方面表现出竞争力。

    Jan, 2024

  • 用于分割模型训练的下丘脑及其子区域的高分辨率分割

    通过使用合成图像构建的标签图，我们提供了一个由高分辨率离体磁共振成像构成的数据集，该数据集可以用于开发使用合成数据的脑结构分割方法。

    Jun, 2024

  • 针对神经退行性疾病的结构病理相关定量分析的高分辨率 7T 体外 MRI 自动化深度学习分割

    本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题，我们设计了一个基于深度学习的模型，基于高分辨率数据进行训练和测试，并结合脑病理学的定量评估，通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。

    Mar, 2023

  • MRI 中基底核分割的 3D 卷积神经网络：一项大规模研究

    本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

    Dec, 2016

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • FastSurfer-HypVINN: 高分辨率脑 MRI 中下丘脑及邻近结构的自动子分割

    我们提出了一种名为 HypVINN 的新型、快速、全自动的深度学习方法，用于对 0.8 毫米等效的 T1w 和 T2w 脑 MR 图像进行下丘脑及邻近结构的子分割，具有较高的分割性能和广泛的适应性。

    Aug, 2023

  • 基于密集连接 3D 卷积神经网络的 MRI 肿瘤分割

    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

  • 基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

    基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

    Mar, 2024

  • 扩散 MRI 中大脑白质束的直接分割

    提出一种基于深度学习方法直接从扩散 MRI 数据中分割出大脑白质道的新方法，克服了现有方法因中间计算所带来的误差，并且相较于现有技术，该方法具有更好的泛化能力并可用于多种临床和研究应用。

    Jul, 2023

  • 基于深度神经网络的多发性硬化症病变和神经解剖分割

    本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

    Jan, 2019