学习未学习特征用于脑肿瘤分割
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
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
本研究利用同时使用 MRI 图像中的像素级注释和图像级注释,提出了一个学习框架,用于大脑肿瘤的分割模型,并研究了像素级注释和图像级注释的比较量对分割质量的影响,并将我们的方法与传统的全监督方法进行比较,并展示了我们的方法在分割质量方面的优势。
Nov, 2019
通过利用预训练的卷积神经网络,结合深度学习和迁移学习的方法,本文提出了一种新的方法用于通过 MRI 数据进行脑肿瘤的分类,实现了 96% 的准确率。
Aug, 2023
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
本文提出了两种深度学习模型,UNet 和 Deeplabv3,用于使用预处理的脑 MRI 图像检测和分割胶质母细胞瘤脑肿瘤,实验结果表明,Deeplabv3 在准确性上优于 UNet,但需要更多的计算资源,这些模型为胶质母细胞瘤脑肿瘤的早期检测和分割提供了一种有前途的方法。
Apr, 2023
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
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
通过使用基于图像标记的特征学习方法,我们能够选择一小组图像来训练 U 形网络的编码器,从而达到与手动选择相等甚至超过使用反向传播和所有训练图像训练的同一 U 形网络的性能。
Jun, 2024
利用四种迁移学习技术对三种不同类型的脑肿瘤进行分类,在基准数据集中,ResNet-50 模型以 99.06% 的显著准确率优于其他模型。我们强调,在不使用数据增强方法的情况下,通过保持数据集平衡以提高准确度的重要性,并通过 F1 分数、AUC、精确度和召回率等评估指标实验性地验证了我们的方法并与其他分类算法进行比较。
Sep, 2023