Jun, 2023

多指标、多器官医学图像分割模型的评估

PDF
TL;DR本研究提出了一种全面的评估医学图像分割模型的方法，名为 MIMO，它允许模型生成独立的阈值，然后与多指标评估和置信度估计相结合，对每个器官进行筛选和测量。实验结果表明，MIMO 为多指标和多器官医学图像评估提供了新的见解，并为模型的可用性和全面性提供了明确的度量。
u-shaped neural networksmedical image segmentationmimomulti-indicatormulti-organ
发现论文，激发创造
  • 医学图像分割的多模态评估方法

    本研究探讨了在医学图像分割中应用机器学习加速分割的过程中，评价方法的选择以及如何处理体素间的依存关系问题。研究以多模态评价方法为基础，量化并优化不同分割方法的表现效果。

    Feb, 2023

  • 模型适应和集成的个性化多器官分割

    本文提出了一个新的基于模型适应和模型融合的双阶段方法，该方法利用现成的单器官分割模型来开发适用于目标数据集的多器官分割模型，从而消除了多器官分割中对有标注数据依赖的问题。实验结果表明，此方法可以有效地利用现成的单器官分割模型来获得高准确度的多器官分割模型。

    Apr, 2023

  • 医学图像分类的多示例多尺度卷积神经网络

    本文介绍了一种基于多实例多尺度卷积神经网络的方法，解决了医学图像分类中的三大挑战：小样本、ROI 难以定位和尺度变化问题，并利用弱标注实现了良好的性能。

    Jul, 2019

  • 少脏器数据集下共训练加权平均模型的多器官分割

    本文提出了一种联合训练的权重平均模型方法，通过利用少量器官数据集共同训练模型以实现多器官分割，该方法采用软标签以减少噪声，并通过区域遮罩进行改进，实验结果表明该方法比现有方法更优秀。

    Aug, 2020

  • 通过模型自我消歧来学习多源数据的多功能医学图像分割

    通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

    Nov, 2023

  • AMOS: 用于多样化医学图像分割的大规模腹部多器官基准

    介绍了 AMOS 数据集，用于细分包含多个器官的腹部 CT/MRI 图像，并对该数据集上使用的多种深度学习模型进行了基准测试。

    Jun, 2022

  • MRSegmentator: MRI 和 CT 序列中 40 个类别的鲁棒多模态分割

    提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型，通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战，为当前的 MRI 分析限制提供了解决方案。

    May, 2024

  • UniMOS: 一种用于标签约束数据集的多器官分割的通用框架

    UniMOS 是首个全面利用完全标注图像、部分标注图像和未标注图像的通用框架，其中包括多器官分割模块、新的目标自适应损失和用于未标注数据的半监督训练模块。实验证明，与其他先进方法相比，该框架在多个医学图像分割任务中表现出色，同时显著提高了数据利用率并降低了标注成本。

    Nov, 2023

  • 使用扩散模型进行模糊医学图像分割

    该研究提出了一种利用扩散模型和随机采样方法生成多个可行的医学图像分割结果的方法，这种方法应用于 CT、超声波和 MRI 图像时，不仅能够提高分割准确度而且能够捕捉自然变异，同时还提出了一种度量分割结果多样性的新指标。

    Apr, 2023

  • 用于腹部计算机断层扫描的器官分割与肿瘤检测的通用可扩展的语言 - 视觉模型

    提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

    May, 2024