基于数据的深度学习方法的气道分割
本文提出了一种基于解剖学感知的多类气道分割方法,通过拓扑引导的自学习方法和断裂注意力图生成伪标签,能够完整地分割气道树,适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。
Jun, 2023
提出了一种用于医学图像分析中,基于深度学习的肺气道分割方法 NaviAirway,该方法采取了支气管特异性损失函数和人视感迭代训练策略,细分支气管,提升模型性能,可用于支气管镜导航、肺部疾病诊断等领域,并通过提出两个新的评价指标,更全面公正地评估基于深度学习的肺气道分割方法。
Mar, 2022
为了改善患者的预后,尤其是肺癌患者,早期诊断和治疗至关重要。本研究提出了一个新的公共基准数据集(AeroPath),包含 27 个 CT 图像,患者的病理范围从气肿到大肿瘤,以及相应的气管和支气管标注。同时,我们提出了一种多尺度融合设计的自动气道分割方法,并在 ATM'22 数据集上进行了训练和测试,并与竞争性开源方法进行了评估。结果表明,该方法对包括有挑战性的病理范围的患者进行了正确的分割预测,并能处理至少第五代气道的各种异常情况。AeroPath 数据集和网络应用程序已公开提供。
Nov, 2023
通过引入骨架级注释(SkA)和几何感知双路径传播框架(GDP),我们提出了一种准确的气道分割方法,它简化了注释流程,提高了注释一致性和准确性,并保留了完整的拓扑结构。实验证明,我们的方法优于其他使用 SKA 的竞争方法,并且与完全监督的基准模型具有可比较的性能,这为实现对其他管状结构(如血管)的高效标记提供了显著的潜力。
Mar, 2024
本文提出了两种不同的网络结构 Branch-Level U-Net (B-UNet) 和 Branch-Level CE-UNet (B-CE-UNet),它们基于 U-Net 结构,并比较了相同数据集的预测结果。特别地,这两种网络都添加了分支损失和中央线损失,以学习气道的精细分支末端的特征。此外,还包括不确定性估计算法来获得自信的预测结果,从而增加整个模型的可靠性。此外,在后处理过程中,根据最大连接率计算和提取了基于肺气管的预测结果,以进行分割的细化和修剪。
Feb, 2024
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
该研究比较了卷积神经网络在 2D 和 3D 格式中对囊性纤维化病变的整体分割能力,并重点研究了 5 个主要囊性纤维化结构变化。通过对比 2D 和 3D 模型,发现 3D 模型在捕捉粘液栓和肺实变等复杂特征方面具有优势。通过实验引入了适用于细结构分割的损失函数并评估,显著提高了 2D 模型的准确性,但未超过 3D 模型的性能。模型经过外部评估计算肺功能测试,证实了研究结果的稳健性。此外,研究还包括了对模型的可解释性和可靠性的综合评估,为其临床应用提供了宝贵的见解。
Mar, 2024
肺部疾病是世界范围内主要死亡原因之一,为了治愈这些疾病,需要对肺部系统内的许多复杂的 3D 树状结构(如气道、动脉和静脉)有更好的理解。本文介绍了一种基于点云的方法,可以在低计算成本下保留树骨架的图连通性并结合隐式表面表示,提供了最先进的准确性和可用的模型表面,并通过一个大型数据集对该方法进行了评估并将其公开。
Sep, 2023
采用深度学习方法,训练了一种 3D U-Net 架构的自动分割算法,成功实现了 21 个头颈部放射敏感器官的自动分割,同时引入了表面 Dice 相似系数(surface DSC)一种能更好地反映纠正自动分割错误的临床任务的新指标,表明该模型在不同研究中心和国家具有较强的泛化能力,并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。
Sep, 2018
研究介绍了一个简单而彻底评估的深度学习框架,应用于任意医学图像体的分割,同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集,排除了模型选择的过程和方法级别的过拟合。此外,使用多平面数据增强,结合了一个基于常见 U-Net 的 2D 架构,让 2D 模型学习表示 3D 图像体的表示方法,从而提高了泛化性能。
Nov, 2019