一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割
提出了一种新颖的混合多头注意力 U-Net 架构,用于准确的脑肿瘤分割,并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比,该模型在评估性能指标方面表现出色。
May, 2024
本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法,该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试,并表现出良好的分割性能。
May, 2017
本文研究了使用卷积神经网络结合注意力机制进行脑肿瘤分割和预测患者生存率的方法,其中应用了一些基于图像、形状和位置信息的新型 Radiomic 特征,并发现像组织学特征直方图、病灶位置、形状以及年龄等临床特征是预测生存率的最为关键的因素。
Apr, 2021
这篇研究论文介绍了一种基于 U-Net 的 MRI 算法,结合了残差网络和用于增强上下文信息的模块,还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率,并提升了脑肿瘤的三维重建精度,以及图像分类的效率。
May, 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
使用 Columbia-University-Net (CU-Net) 架构和 BraTS 2019 数据集,本研究提出了一种精确分割脑肿瘤的新方法,该方法通过卷积层、最大池化和上采样操作构建对称 U 型结构的 CU-Net 模型,Dice 系数高达 82.41%,超过了其他两个最先进的模型,这种分割准确性的提升突显了该模型的鲁棒性和有效性,有助于精确确定肿瘤边界,对于手术规划和放射治疗至关重要,最终有潜力改善患者预后。
Jun, 2024
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
提出了一种名为 RA-UNet 的三维残差关注分割方法,可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明,该架构在肝肿瘤分割任务上胜过其他最先进的方法,并在脑肿瘤分割任务上取得良好的性能表现。
Nov, 2018
MPUnet 在分割儿童脑肿瘤的不同区域方面显示出差异性能水平,其中肿瘤核心(TC)类表现出相对较高的分割准确性,然而在水肿和增强肿瘤(ET)区域的分割中观察到变异,这凸显了脑肿瘤分割的复杂性并强调了进一步完善 MPUnet 方法和包括 MRI 更多数据和预处理的潜力。
Jan, 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