基于残差变换器的脑肿瘤分割的集成学习
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
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
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
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
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
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
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
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
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