使用基于 Transformer 网络的方法并行估计 CT 脑部缺血损伤的年龄和分割
本文提出了一种基于深度学习技术的脑卒中损伤分割方法,旨在实现损伤扩展和影响的客观测量,以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割,并同时提供损伤体积和对大脑结构的加权损伤量量化。
Jun, 2023
研究使用深度学习(DL)技术,设计基于计算机断层扫描(CT)的 DL 算法,从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风(AIS)病变,并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响,最佳 DL 方法对病变存在和侧边分类达到了 72%的准确率,对大尺寸病变(80%准确率)和多发病变(87%二个病变、100%三个或以上病变的准确率)检测效果更好。
Sep, 2023
基于多位专家的深度学习方法,本研究利用非对比 CT 图像自动量化缺血性脑组织。采用随机专家抽样的训练方案,该模型在专家结果、多数投票模型性能和临床结果等方面显示更高的一致性,并能像 CT 灌注图像一样准确地识别非对比 CT 图像中急性缺血性脑组织的存在和位置,从而在非专业医院中进一步确保对患者进行血管内治疗的选择。
Sep, 2023
本研究选择了四种深度模型进行中风分割,即纯 Transformer 结构 (DAE-Former),两种带有注意机制的先进 CNN 模型 (LKA 和 DLKA),一种将 CNN 与 Transformer 结合的高级混合模型 (FCT),以及以给定数据为基础的自适应 nnUNet 框架,并在两个公开可用的数据集上进行了评估,结果表明 nnUNet 在所有模型中具有最简单的设计,并通过强调预处理和后处理技术来提高分割结果,超越了仅关注架构设计的重要性。
Mar, 2024
脑卒中已经成为全球健康负担,因此我们需要治疗方法和预防策略来克服这一挑战。在此工作中,我们考虑了公开可用的数据集 ATLAS v2.0,以评估各种端到端有监督的 U-Net 风格模型。我们在 2D 变换器模型上达到了最高的 Dice 得分 0.583,在 3D 残差 U-Net 模型上达到了 0.504。我们对 3D 模型进行了 Wilcoxon 测试,以确定预测和实际中风体积之间的关系。为了可复现性,代码和模型权重已公开提供。
Oct, 2023
本研究使用卷积自编码器方法,通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病,性能远优于传统人工标注和现有自监督方法。
Nov, 2018
本文针对医学影像学中的深度学习模型多基于成人数据而在儿科影像上的性能不明确的问题进行研究。我们评估了基于成人数据训练的 CT 器官分割算法在儿科 CT 体积上的性能,并发现明显与年龄相关的性能下降。随后,我们提出并评估了一些策略,包括数据增强和持续学习方法,以实现在所有年龄群体中获得良好的分割准确性。我们表现最佳的模型采用了持续学习方法进行训练,在成人和儿科数据上都取得了高分割准确性(Dice 分数分别为 0.90 和 0.84)。
Apr, 2024
通过将 U-Net 的空间特征提取与 SwinUNETR 的全局上下文处理能力相结合,再进一步采用先进的特征融合和分割合成技术,提出了 Neuro-TransUNet 框架。通过全面的数据预处理管道改进了这一框架的效率,包括重采样、偏差校正和数据标准化,提高了数据质量和一致性。消融研究证实了 U-Net 与 SwinUNETR 的先进集成以及数据预处理管道对性能的重要影响,并证明了该模型的有效性。使用 ATLAS v2.0 训练数据集训练的所提出的 Neuro-TransUNet 模型在中风病变分割方面优于现有的深度学习算法,并建立了一个新的基准。
Jun, 2024
本研究提出了一种全局和局部信息相结合的转换器,将局部细节和全局信息相结合,利用注意机制根据磁共振成像(MRI)数据进行快速脑龄估计。该方法在 8 个公共数据集上进行验证,相比现有方法,其均方误差为 2.70 岁,相关系数为 0.9853,同时提供了与脑龄估计相关的信息。
Sep, 2021