Jul, 2023

CT影像中基于像素-病灶-患者网络的肝肿瘤筛查和诊断

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 基于级联全卷积神经网络和三维条件随机场的CT肝脏和病变自动分割

    本文介绍了使用级联的全卷积神经网络和密集的3D条件随机场来自动分割CT腹部图像中的肝脏和病变的方法，实现了对肝脏和病变的语义分割，其Dice分数超过94％，每个体积计算时间低于100秒。

    Oct, 2016

  • 一个完全自动化的肝脏病变和病理淋巴结的检测和分割流水线

    本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法,验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

    Mar, 2017

  • 级联深度残差网络自动肝脏病变检测

    本研究采用一种基于深度残余网络 (ResNet) 的肝脏病变分割方法，通过级联ResNet架构和多尺度融合生成更精确的边界定义，该方法在 ISBI 2017 肝脏瘤分割挑战中获得第四名。

    Apr, 2017

  • 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

  • 基于联合肝分割的肝脏病变分割

    提出了一种用于计算机断层扫描（CT）图像中肝脏和肝脏病变联合分割的模型，该模型利用两个全卷积网络并置并端对端联合训练；在2017年MICCAI肝肿瘤分割挑战赛中，我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数，不同于其他表现优秀的方法，我们的模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。然而，我们的方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。

    Jul, 2017

  • 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

  • 通过迁移学习实现肝脏病变分割和分类

    本论文研究将联合学习和迁移学习两种方法结合运用于肝脏病变分割和分类问题上，在医学影像应用中，由于目标数据集通常非常小，迁移学习可以提高特征学习的效果，而联合学习对于提高网络的泛化和鲁棒性更为有效。

    Apr, 2020

  • 肝部CT扫描中超高性能病变检测和虚假阳性去除的级联方法

    开发了一个二阶段的肝癌检测管道，其中高灵敏度探测算法在第一阶段发现尽可能多的病变提议，而第二阶段的病变重新分类算法则尽可能删除尽可能多的虚警。

    Jun, 2023

  • 多阶段多目标CT扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了1.6%的改进，并降低了8%的主体间性能差异。

    Apr, 2024

  • TexLiverNet：利用医学知识和空间频率感知增强肝肿瘤分割

    该研究解决了肝肿瘤分割中的文本数据与影像结合的挑战，尤其是缺乏特定病灶的细节。论文提出了一种新模型TexLiverNet，采用基于代理的跨注意力模块，能够高效整合文本和视觉特征，同时通过增强的空间和自适应频率域感知，以精确描绘病灶边界并恢复小病灶的细节。研究结果表明，TexLiverNet在多个数据集上的表现优于现有先进方法，具有显著的临床应用潜力。

    Nov, 2024