May, 2023

基于证据的不确定性的可信多阶段肝肿瘤分割

PDF
TL;DR本文提出了一种新的受信任的多相肝肿瘤分割方法（TMPLiTS），该方法可以同时进行肝肿瘤的分割和不确定性估计，利用 Dempster-Shafer 证据理论和多专家混合的策略，从多相肝增强 CT 图像中识别肝癌并降低不确定性，实现可靠的诊断效果。该方法在实验中表现优异，并且对抗扰动时表现出良好的鲁棒性。
liver tumor segmentationmulti-phase liver contrast-enhanced computed tomographydempster-shafer evidence theoryuncertainty estimationmulti-expert mixture scheme
发现论文，激发创造
  • 肝部 CT 扫描中超高性能病变检测和虚假阳性去除的级联方法

    开发了一个二阶段的肝癌检测管道，其中高灵敏度探测算法在第一阶段发现尽可能多的病变提议，而第二阶段的病变重新分类算法则尽可能删除尽可能多的虚警。

    Jun, 2023

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

    Apr, 2024

  • 肝肿瘤分割基准 (LiTS)

    本文介绍了 Liver Tumor Segmentation Benchmark（LiTS）的设立以及结果，其中包括 131 个计算机断层扫描（CT）体积训练的 75 个肝脏和肝脏肿瘤分割算法，并使用 70 个从不同患者获取的测试图像进行测试。结果表明，没有一种算法在三个事件中都表现最佳，并且最好的肝脏和肝脏肿瘤分割算法的 Dices 分数分别为 0.963 和 0.674（ISBI 2017）、0.702（MICCAI 2017）和 0.739（MICCAI 2018）。同时，该研究也为关于肝脏相关分割任务的研究提供了一个活跃的基准和资源。

    Jan, 2019

  • 具有不确定性量化的肝脏肿瘤分割的各向异性混合网络

    研究表明，肝肿瘤是重要的负担，是癌症死亡的第四大原因。为了指导治疗策略，我们提出比较两种基于各向异性模型的管道方法，对肝脏和肿瘤进行分割，同时提出了一种不确定性量化策略用于识别潜在的假阳性肿瘤病变。

    Aug, 2023

  • 多模态证据融合网络用于可信 PET/CT 肿瘤分割

    在计算机辅助肿瘤诊断和治疗中，精确分割 PET/CT 图像对癌症的诊断和治疗非常重要。本文提出了一种新颖的多模态证据融合网络（MEFN），通过交叉模态特征学习（CFL）模块和多模态可信融合（MTF）模块，以有效整合 PET 和 CT 图像中的互补信息并考虑模态不确定性，进而提高肿瘤分割的准确性和可信度。通过在两个公开的 PET/CT 数据集上进行广泛的对比实验，结果表明我们的方法在 DSC 评分上分别比现有方法提高了 2.15% 和 3.23%。此外，我们的模型还能够为放射科医生提供可信的分割结果不确定性，对于临床应用非常重要。

    Jun, 2024

  • 深度证据融合下的多模态医学图像分割与不确定性量化及上下文折扣

    基于深度学习和 Dempster-Shafer 理论的多模式医学图像分割的融合框架，在考虑了每个单模态图像在分割不同对象时的可靠性的情况下，通过背景折扣操作对每个模态的证据进行合并，从而达到最终决策。与现有方法相比，实验结果表明我们的方法在准确性和可靠性方面表现优异。

    Sep, 2023

  • CT 影像中基于像素 - 病灶 - 患者网络的肝肿瘤筛查和诊断

    提出了一种名为 Pixel-Lesion-pAtient Network (PLAN) 的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和 transformers，并接近于资深人类放射科医生的表现。

    Jul, 2023

  • 基于联合肝分割的肝脏病变分割

    提出了一种用于计算机断层扫描（CT）图像中肝脏和肝脏病变联合分割的模型，该模型利用两个全卷积网络并置并端对端联合训练；在 2017 年 MICCAI 肝肿瘤分割挑战赛中，我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数，不同于其他表现优秀的方法，我们的模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。然而，我们的方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。

    Jul, 2017

  • 基于边缘感知的多任务网络，用于在多模态非对比度 MRI 上集成量化、分割和不确定性预测的肝肿瘤

    本文提出了一种基于边缘感知多任务网络 (EaMtNet) 的方法，可用于联合多索引肝肿瘤的定量、分割和不确定性估计，并使用多任务学习提高分割和定量性能。实验证明，该模型在医学图像分析方面具有可靠的临床辅助工具的潜力。

    Jul, 2023

  • MERIT: 可靠且可解释的肝纤维化分级的多视图证据学习

    该研究提出了一种基于证据学习的多视角方法（MERIT），具备对预测结果不确定性的量化和可解释性，对于肝纤维化分期决策过程中每个视角的重要性提供了阐明。

    May, 2024