Jul, 2023

跨模态注意力适配器：一种对使用多模态脑 MR 图像的 SAM 进行胶质瘤分割微调的方法

PDF
TL;DR本文提出了一种基于跨模态融合的注意力适配器细调基础模型来完成多模态 MRI 脑图像下胶质瘤分割任务的方法，该方法优于现有技术方法，具有 88.38％的 Dice 系数和 10.64 的 Hausdorff 距离，从而在分割胶质瘤区域方面呈现出 4％的增长，有助于胶质瘤的治疗。
glioma segmentationbrain mrideep learningmultimodal fusionmedical image processing
发现论文，激发创造
  • MRI 脑肿瘤分级的双重注意力型、跨模态引导多模态学习

    通过 MRI 多模态学习和跨模态指导，提出了一种用于 MRI 脑肿瘤分级的新方法，以准确识别肿瘤类型和等级，并选择精确的治疗计划。

    Jan, 2024

  • 基于注意力机制的脑肿瘤二阶段 MR 图像分割方法

    提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络，以及一种关注性生成跨模态分割方法，该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。

    Apr, 2023

  • 使用视觉 Transformer 集成的脑胶质母细胞瘤肿瘤分割

    针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

    Nov, 2023

  • 使用基于 3D 注意力机制的 U-Net 进行多类 MRI 脑肿瘤分割

    本文提出了一种基于 3D 注意力的 U-Net 架构，用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

    May, 2023

  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    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

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 3DSAM-adapter：将 SAM 从 2D 完整地适应到 3D，用于医学图像分割

    本文介绍了一种适用于医学图像分割的、从 2D 到 3D 的 SAM 模型的新颖改进方法，并在 4 个医学数据集上进行了实验，结果表明该方法可以仅通过轻量级的空间适配器有效地捕捉体积医学图像中存在的空间模式。

    Jun, 2023

  • ME-Net：用于脑肿瘤分割的多编码器网络框架

    该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类 Dice 损失函数，该方法可以降低特征提取难度，并显著提高模型性能，在验证集上能够与目前最先进的方法相媲美，在完整肿瘤，肿瘤核和增强肿瘤方面的 Dice 分数分别为 0.70249，0.88267 和 0.73864。

    Mar, 2022

  • 注意力增强的混合特征聚合网络用于三维脑肿瘤分割

    基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。

    Mar, 2024

  • MA-SAM: 3D 医学图像分割的模态不可知 SAM 适配

    引入了名为 MA-SAM 的适用于各种体积和视频医学数据的模态无关 SAM 适应框架，通过在图像编码器的转换器块中注入一系列的 3D 适配器，使预训练的 2D 主干从输入数据中提取第三维信息。在四个医学图像分割任务上，使用了 CT、MRI 和外科手术视频数据的 10 个公共数据集进行全面评估，结果显示，我们的方法在不使用任何提示的情况下，始终表现优于各种最先进的三维方法，在 CT 多器官分割、MRI 前列腺分割和外科手术场景分割的 Dice 指标上分别超过 nnU-Net 0.9%、2.6% 和 9.9%。在使用提示时，我们的模型也表现出强大的泛化能力，并在具有挑战性的肿瘤分割任务中表现出色。

    Sep, 2023