Jul, 2023

强度标准化对多中心 FLAIR MRI 中基于深度学习的白质病变分割的影响

PDF
TL;DR通过对 FLAIR MRI 图像进行强度标准化，IAMLAB 和集成模型能够在未知 FLAIR 数据中优化基于深度学习的白质病变分割，提高分割性能。
deep learningwhite matter lesion segmentationmriintensity standardizationflair
发现论文，激发创造
  • MR 图像中白质高信号区域分割的全卷积网络集成

    利用深度完全卷积神经网络和集成模型自动检测老年健康人群中的白质高信号病变，取得 WMH Segmentation Challenge at MICCAI 2017 的第一名，同时提供关于系统组成成分的详细描述和定量分析。

    Feb, 2018

  • 多尺度卷积堆叠聚合用于鲁棒性白质高信号区域分割

    使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

    Jul, 2018

  • 自动分割白质高信号区的标准化评估及其分割挑战结果

    本文介绍了通过 WMH Segmentation Challenge，针对来自多个中心和扫描仪的脑部 MRI 图像，评估了五种指标来比较自动化白质高信号 （WMH）分割算法的性能，发现了四种方法的结果比其他方法显著优越，并且表明不是所有方法都适用于未知扫描仪。

    Apr, 2019

  • 深度学习模型在临床 MRI 数据外分布中的可靠性：多中心研究

    本研究利用 3117 个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。

    Nov, 2019

  • 多中心隐私保护模型训练用于深度学习脑转移自动分割

    多中心数据异质性对深度学习脑转移瘤自动分割性能的影响以及渐进转移学习技术（即学习无遗忘）在改善模型的推广能力方面的有效性进行了探讨。

    May, 2024

  • 一种用于缺血性中风病变分割的鲁棒集成算法：超越 ISLES 挑战的广泛适用性和临床效用

    2022 年缺血性卒中病灶检测和分割的集成算法能对扩散加权磁共振成像 (DWI) 图像进行准确分析，与专家相媲美，并具有临床应用的潜力。

    Mar, 2024

  • 使用缩放残差自助法在任意数据集上改进白质束分割的泛化能力

    本研究提出了一种通过使用缩放残差自助法改进的白质束分割方法，以提高模型对任意测试数据集的泛化性能。实验证明，在不同设置下，我们的方法一致提高了白质束分割的泛化能力。

    Sep, 2023

  • 评估 MRI 容积测量中 AI 与非 AI 方法对帕金森综合征诊断的比较验证

    本文研究了使用深度学习模型在脑磁共振成像的分割和体积测量方面的性能，结果表明深度学习可以显著降低分析时间而不影响分割性能，并提供更好的疾病分类准确性。

    Jul, 2022

  • 3D SA-UNet：3D 空间注意 UNet 与 3D ASPP 用于白质高信号区域分割

    使用 3D Spatial Attention U-Net（3D SA-UNet）模型对液体衰减逆转复苏（FLAIR）扫描进行自动白质高信号（WMH）分割，通过增加 3D 空间注意力模块和 3D ASPP 模块，提高了网络的分割性能，并实验证明了该模型相比其他先进的 3D 卷积神经网络有更高的准确性。

    Sep, 2023

  • 脑部图谱引导下的注意力 U-Net 用于白质高信号区域分割

    本文提出了一种仅利用 FLAIR 图像和空间注册的白质（WM）脑图谱的脑图谱引导的关注 U-Net（BAGAU-Net）来产生竞争性的 WMH 分割性能，通过实验验证表明：BAGAU-Net 胜过了 T1 加持的最先进方法，为 WMH 分割的有效发展铺平了道路。

    Oct, 2020