Jul, 2023

统一解剖分割的探索：通过知识聚合和解剖指南自动生成全身 CT 数据集

PDF
TL;DR通过使用基于 nnU-Net 的伪标签和解剖导向的伪标签细化的顺序过程，结合各种碎片化的知识库，我们生成了一个包含 142 个体素级标签对 533 个体积进行了全面解剖覆盖的全身 CT 扫描数据集，该数据集已获得专家批准。我们的方法在标签整合阶段不依赖于手动注释。使用人类专家评估、在 BTCV 数据集上进行的深度学习有用性基准测试（在不使用其训练数据集的情况下实现了 85% 的 Dice 分数）以及医学有效性检查，我们检验了其合理性和实用性。除数据集外，我们还发布了能够对 CT 数据上的 142 种解剖结构进行预测的训练好的统一解剖分割模型。
automated anatomy segmentationpseudo-labelingnnu-netwhole-body ct scansanatomical coverage
发现论文，激发创造
  • 质量还是数量：一种面向全身 CT 多器官分割的统一方法

    该研究旨在探讨质量和数量之间的平衡，以创建适用于医学 CT 扫描的多器官分割统一方法，并产生大量精确的虚拟模型。通过使用具有完全标签的 XCAT 数据集，我们比较了两种分割结构，选择了表现更好的 3D-Unet 模型，并使用此模型生成了少量标签来使 CT-ORG 数据集也可用于训练。实验结果表明，应该以质量为重来提高分割模型的性能。

    Mar, 2022

  • 自动腹部 MRI 器官分割：基于 CT 标签生成的合成数据的应用

    利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

    Mar, 2024

  • 用于腹部计算机断层扫描的器官分割与肿瘤检测的通用可扩展的语言 - 视觉模型

    提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

    May, 2024

  • 基于 3D 全身 CT 扫描的全面、高效和可预警解剖结构分割模型

    本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

    Mar, 2024

  • AnatomyNet：用于快速全自动头颈部解剖结构体积分割的深度学习

    利用深度学习模型 - AnatomyNet 可以自动分割头颈部 CT 图像中的 OARs，该模型的 3 个核心特点包括全容积编码方式、编码层中的 3D squeeze-and-excitation 剩余块、以及基于 Dice 分数和 focal loss 的新损失函数。相较于之前的分割方法，AnatomyNet 显著提高了分割精度（Dice 相似系数增加了 3.3%），同时可在 0.12 秒内处理完整个头颈部 CT 图像，并且无需或很少需要前 / 后处理步骤。

    Aug, 2018

  • MRAnnotator: 一个用于 MRI 分割的多解剖结构深度学习模型

    通过开发深度学习模型，实现 MRI 图像上多解剖结构和众多类别的分割。

    Feb, 2024

  • 肺部影像的自动分割主要是数据多样性问题，而非方法问题

    采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

    Jan, 2020

  • 基于双视角拓扑图的解剖学导向 CT 重建方法用于前瞻性风险缩减

    基于生成对抗网络（GAN）的优化 CT 重建模型能够重建 CT 体积，增强解剖结构并进行器官分割，从而提供了前瞻性估计 CT 有效剂量和风险最小化的过程。

    Jan, 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

  • SegVol: 通用和交互式体积医学图像分割

    提出了一种名为 SegVol 的通用交互式体积医学图像分割模型，通过在 90k 个无标签的 CT 体积和 6k 个标记的 CT 上进行训练，该基础模型支持对 200 多个解剖类别的分割，使用语义和空间提示，在多个分割基准测试中表现明显优于现有技术，尤其在三个具有挑战性的病变数据集上，其 Dice 分数比 nnU-Net 高约 20%。

    Nov, 2023