Jul, 2023

评估 U-Net 的胎儿头部超声图像分割的微调策略

PDF
TL;DR胎头分割是测量胎儿头围的关键步骤，在产科胎儿生长监测中是一个重要的生物测定值。本研究提出了一种迁移学习方法，使用轻量级 MobileNet 作为编码器的 U-Net 网络进行微调，以在受限的胎儿头部超声图像数据集上进行分割。该方法解决了从头开始训练卷积神经网络的挑战性任务，并表明所提出的微调策略在减少 85.8% 的可训练参数数量时仍能实现可比的分割性能。该方法在可训练参数数量小于 440 万时优于其他策略，因此可作为医学图像分析领域中模型大小减小的可靠微调方法。研究结果强调了在通过迁移学习方法开发人工智能应用时，在模型性能与大小之间保持平衡的重要性。
fetal head segmentationconvolutional neural networktransfer learningsegmentation performancemodel size
发现论文，激发创造
  • 多任务深度学习的胎儿超声图像分割测量生物测量参数

    利用多任务深度卷积神经网络，通过最小化由分割 Dice 系数和椭圆参数的均方误差构成的复合成本函数来进行自动分割和估计胎儿头围，并将分割结果和估计结果与放射科医师注释进行匹配，实验结果表明，该方法的分割和评估精度优于现有技术。

    Aug, 2019

  • 深度学习实现胎儿 MRI 中胎儿脑自动提取

    本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

    Oct, 2017

  • 胎儿超声异常扫描的统一生物识别估计的多任务学习方法

    我们提出了一种多任务学习方法，通过对超声图像进行分类和分割来准确估计胎儿生物度量参数，实验结果在胎儿超声图像数据集上达到了很高的分类准确率和较小的平均绝对误差。

    Nov, 2023

  • 深度学习胎儿超声视频模型在生物测量方面与人类观察者相匹配

    使用深度卷积神经网络（CNN）自动测量胎儿头围、双顶径、腹围和股骨长度，以及使用胎儿超声视频估计胎龄和胎儿重量，利用名为 FUVAI 的新型多任务基于 CNN 的时空胎儿 US 特征提取和标准平面检测算法。我们发现，自动测量胎儿生物测量学功能的 FUVAI 和由有经验的超声医生进行的测量相比是可比较的。再者，分析表明，当将任何个别医疗专家与我们的模型进行比较时，这些差异在统计学上并不显着。

    May, 2022

  • 基于 UNet 架构和迁移学习的深度学习生物医学图像分割

    本文旨在利用 Pytorch 从零开始实现 UNet 模型并在多个生物医学图像数据集上评估其性能，另外，我们使用迁移学习将修改后的 UNet 分割模型应用于生物医学图像数据集，发现迁移学习模型在图像分割方面表现更为优异。

    May, 2023

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    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

  • 混合多头关注式三维 Unet 用于脑肿瘤分割

    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

  • 从噪音注释中学习分割胎儿脑组织

    本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

    Mar, 2022

  • 使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

    本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

    Oct, 2017

  • 基于多尺度 MPU-Net 的 3D 医学图像分割

    本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023