May, 2023

颅内动脉瘤检测和定位的神经网络检测

PDF
TL;DR使用 nnDetection 框架和 TOF-MRA 进行医学图像分析，能够有效检测和定位颅内动脉瘤，具有潜在的临床应用。
intracranial aneurysmsmedical image analysisnndetection frameworkdeep learningtof-mra
发现论文，激发创造
  • IntrA：用于深度学习的三维颅内动脉瘤数据集

    研究人员提供了一个开放的 3D 脑动脉瘤数据集（IntrA），可用于诊断和提取颈部进行手术，在医学和深度学习的其他领域中也可用于正常估计和表面重建。他们测试了最先进的网络，并讨论了每种方法的性能和数据集的挑战。

    Mar, 2020

  • 基于 3D 卷积神经网络的腹主动脉瘤分割

    本文提出了首个用于分割腹主动脉瘤的 3D 卷积神经网络，并成功地验证了其在诊断和评估方面的性能，该方法可自动量化主动脉瘤直径，开拓更复杂的主动脉瘤分析机会。

    Mar, 2019

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • DeepAAA：利用深度学习进行临床可应用和普适性的腹主动脉瘤检测

    本研究提出了一种基于深度学习的技术，用于检测和量化腹主动脉瘤，该模型架构是一个改进的 3D U-Net 算法与椭圆拟合相结合，可用于主动脉分割和腹主动脉瘤检测，模型经过 321 个腹部 - 盆腔 CT 检查的训练和验证，在 57 个新的检查数据上也具备很高的性能。

    Jul, 2019

  • 基于深度神经网络的改进动脉瘤分割和检测的血管合成模型

    我们提出了一种完整的合成模型，能够模拟脑血管树的各个组成部分，以及使用三维卷积神经网络（CNN）对各种血管疾病进行分割或检测 / 识别提供了实质性的大脑动脉数据集。在这项研究中，我们特别关注颅内动脉瘤（ICA）的检测和分割，并通过合成血管模型进行了细致的描述、ICA 分割和检测的神经网络构建，并最终对合成模型数据增强所获得的性能差距进行了深入评估。

    Mar, 2024

  • 使用深度卷积神经网络进行血管畸形检测和定位

    本文提出了一种基于深度神经网络的血管畸形检测和定位方法，应用于胃肠道出血和贫血的早期诊断，其在 MICCAI 2017 内镜视觉子挑战赛中表现出色，且优于目前的最新结果，其源代码已公开发布。

    Apr, 2018

  • 使用神经网络在 T2 MRI 中进行通用淋巴结检测

    本文提出了一种计算机辅助检测（CAD）管道，使用神经网络普适性地在容积 T2 MRI 中识别腹部淋巴结（LN），其灵敏度比目前 SOTA 方法高 14 个百分点（4FP 时的 78.7％对比每卷 5 FP 的 64.6％）；VFNet 模型表现优异，能够在 CAD 管道中与单阶段模型集成使用。

    Mar, 2022

  • 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

  • 利用深度学习识别脑 CT 图像上的出血和梗死病灶

    通过深度学习算法识别头部非对比增强 CT 扫描中的颅内出血和梗死，为日常医疗工作流程引入广泛的医疗设施提供了潜力和限制。

    Jul, 2023

  • 多尺度定位感知的深度三维卷积神经网络，用于自动检测推测为血管性来源的腔隙

    使用卷积神经网络的自动化方法可以高效地检测出脑血管源性腔隙，具有减少误检率的优势，并且可以促进神经退行性疾病的研究。

    Oct, 2016