利用强度分布监督改进 CT 扫描中的病变分割和检测

Jul, 2023

利用强度分布监督改进 CT 扫描中的病变分割和检测

Improving Segmentation and Detection of Lesions in CT Scans Using Intensity Distribution Supervision

Seung Yeon Shin, Thomas C. Shen, Ronald M. Summers

TL;DR该论文提出了一种新的 CT 扫描中病变区域分割与定位的方法，引入了基于影像亮度直方图的病变概率分布来指导神经网络的训练，该方法可使得肿瘤的检测与分割效果得到显著提高。

Abstract

We propose a method to incorporate the intensity information of a target lesion on CT scans in training segmentation and detection networks. We first build an intensity-based lesion probability (ILP) function from an intensity histogram of the target lesion. It is used to compute the p

ct scan lesion segmentation intensity-based lesion probability supervised learning tumor detection

发现论文，激发创造

CT 影像中基于像素 - 病灶 - 患者网络的肝肿瘤筛查和诊断

提出了一种名为 Pixel-Lesion-pAtient Network (PLAN) 的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和 transformers，并接近于资深人类放射科医生的表现。

Jul, 2023

基于类激活映射的无监督 Resnet-LSTM 出血分割在非对比度计算机断层扫描图像中的应用

通过使用图像级别的二元分类标签，我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割，该方法通过分类网络的类激活图确定 ICH 的大致位置，并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割

Sep, 2023

多分辨率下的弱监督医疗诊断和定位

为解决医学影像诊断过程中对多种异常区域进行定位的难题，在仅有图像层级标签的情况下，本文提出了一种新颖的多分辨率学习模型，借助 Log-Sum-Exp 池化函数和可学习的下边界适应方法构建尖锐性先前概率，生成高分辨率的显著图，并且在解读胸部 X 光片方面取得了最新的最佳性能。

Mar, 2018

使用深度学习的检测辅助肝部病变分割

本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

Nov, 2017

PET/CT 图像中的 AI 病变跟踪：基于 Siamese 的 CNN 管道应用于 PSMA PET/CT 扫描

通过 Siamese CNN 方法，应用于 PSMA PET/CT 扫描，成功实现了多发性病灶的追踪，该方法在预测治疗结果方面表现出潜力。

Jun, 2024

AutoPET Challenge 2022：基于深度学习和 FDG PET/CT 的全身肿瘤病灶自动分割

本研究提出一种新的深度学习模型训练策略，用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型，该方法基于 AutoPET 2022 挑战赛的训练集进行验证，并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积，代码已在链接中提供。

Aug, 2022

使用深度卷积神经网络方法自动进行肝脏病变分割

利用深度卷积神经网络，以 2.5D 方式对肝脏 CT 图像进行分割，并在 130 个 LiTS 训练数据集上进行训练，在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67，时隔 ISBI2017 会议后获得了该领域的第一名。

Apr, 2017

CT 中骨病变的弱监督检测

开发了一种自动检测 CT 体积中骨病变（溶骨性、硬化性和混合性）的方法，通过代理分割任务使用 2D 切片生成弱 3D 分割掩模，然后使用训练好的 3D 全分辨率 nnUNet 模型进行分割和检测，实现了 96.7％的精确度和 47.3％的召回率。

Jan, 2024

基于深度学习的全骨髓和淋巴结照射计划目标体积自动分割

该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

Feb, 2024

肝肿瘤分割基准 (LiTS)

本文介绍了 Liver Tumor Segmentation Benchmark（LiTS）的设立以及结果，其中包括 131 个计算机断层扫描（CT）体积训练的 75 个肝脏和肝脏肿瘤分割算法，并使用 70 个从不同患者获取的测试图像进行测试。结果表明，没有一种算法在三个事件中都表现最佳，并且最好的肝脏和肝脏肿瘤分割算法的 Dices 分数分别为 0.963 和 0.674（ISBI 2017）、0.702（MICCAI 2017）和 0.739（MICCAI 2018）。同时，该研究也为关于肝脏相关分割任务的研究提供了一个活跃的基准和资源。

Jan, 2019