一种适应性阈值在脑肿瘤医学图像分割中的新方法介绍
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
本研究分析了基于深度卷积神经网络的2D和3D医学图像分割任务的不同不确定性,提出了一种基于测试时间增强的随机不确定性方法,用于分析输入图像的不同变换对分割输出的影响,并与模型不确定性相结合,对胎儿脑和脑肿瘤进行了医学图像分割实验,讨论了测试时间增强方法的优势。
Jul, 2018
概述了近年来机器学习在医学图像处理和分析领域的应用,特别关注深度学习在MRI中的应用,以及为对这个领域感兴趣的人提供好的教育资源、最先进的开源代码和有趣的数据来源及相关问题。
Nov, 2018
本教程论文旨在从基础概念、深度学习算法、工具和框架,方法开发和图像分析等方面,为医学影像处理与分析领域的新手提供基础概述,并使用公共数据提供样例任务,并针对方法开发和图像分析提供了最佳实践建议,旨在助力研究者克服初学阶段的挑战。
Apr, 2023
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
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
该研究介绍了基于深度学习的自动化脑肿瘤分割技术,利用3D U-Net模型,通过大规模的脑MRI扫描数据集进行分割,并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效,为临床实践提供有价值的支持。
Apr, 2024