基于残差变换器的脑肿瘤分割的集成学习

Jul, 2023

基于残差变换器的脑肿瘤分割的集成学习

Ensemble Learning with Residual Transformer for Brain Tumor Segmentation

Lanhong Yao, Zheyuan Zhang, Ulas Bagci

TL;DR提出了一种将 Transformers 集成到自适应 U-Net 中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

Abstract

brain tumor segmentation is an active research area due to the difficulty in delineating highly complex shaped and textured tumors as well as the failure of the commonly used u-net architectures. The combination

brain tumor segmentation u-net transformers neural architectures volumetric contexts

发现论文，激发创造

集成 ResUnet 用于解剖学大脑屏障分割

使用带残差块的 U 型网络和 Tversky 损失函数进行脑结构分割，提高在不同模态下的准确率，同时采用模型集成策略进一步提高性能。

Dec, 2020

3D-TransUNet 在 BraTS2023 挑战中用于脑转移灶分割

通过在 Brain Tumor Segmentation (BraTS-METS) 2023 challenge 数据集上训练 3D-TransUNet 模型，我们探索了两种架构配置：仅在编码器中使用 Transformer 的 Encoder-only 3D-TransUNet 和仅在解码器中使用 Transformer 的 Decoder-only 3D-TransUNet 模型，结果显示 Decoder-only 3D-TransUNet 模型在脑转移分割方面具有增强的效果。

Mar, 2024

基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 2023

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

儿童脑肿瘤的自动集成分割：使用 CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 挑战数据的新方法

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

Aug, 2023

脑肿瘤分割的处理和迁移学习的优化框架

基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

Feb, 2024

基于 Transformer 的多模态脑肿瘤分割

本文提出了使用 Transformer 和 3D CNN 实现 MRI 脑肿瘤分割的新网络 TransBTS。该网络同时利用全局和局部特征进行分割，并在 BraTS 2019 和 2020 数据集上取得了当前最高水平的分割效果。

Mar, 2021

优化 U-Net 用于脑肿瘤分割

本文通过一项消融研究，建议了优化的 U-Net 架构用于 BraTS21 挑战的脑肿瘤分割任务，并在 NVIDIA Deep Learning Examples GitHub 仓库中开源了代码来重现我们的 BraTS21 提交。

Oct, 2021

Swin UNETR: 基于 Swin Transformers 的 MRI 图像脑瘤语义分割

利用 Swint UNEt TRansformers 模型和多模 MRI 数据对 3D 颅脑肿瘤进行语义分割，可以转换为序列预测问题，以 5 个不同分辨率提取特征，通过跳过连接连接到 FCNN 解码器，并在 BraTS 2021 分割挑战中表现出优越的性能。

Jan, 2022

nnU-Net 用于脑肿瘤分割

本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时，我们的最终集成在整个肿瘤中，肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03，HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。

Nov, 2020