Aug, 2023

多尺度多站点肾脏微血管结构分割用于肾脏病理学全切片成像

PDF
TL;DROmni-Seg 是一种新颖的单一动态网络方法，利用多站点、多尺度的训练数据，通过利用部分标记图像来分割肾脏微血管结构。实验结果表明，Omni-Seg 在 Dice 相似系数和交并比方面优于其他方法，为肾脏微血管结构的定量分析提供了强大的计算工具。
发现论文，激发创造
  • 肾脏病理图像多标签分割的加速流程 - 全切片图像级别

    本文提出了 Omni-Seg pipeline 的增强版，采用深度学习技术，利用 GPU 加速，针对整个滑动图像（WSIs），实现了多类多尺度病理分割，将平均处理时间从 2.3 小时大幅缩短至 22 分钟。

    May, 2023

  • 利用卷积神经网络和 Transformer 评估肾脏层分割的全幻灯图像

    这篇论文评估了深度学习方法在肾脏层结构分割上的可行性，研究采用了代表性的卷积神经网络和 Transformer 分割方法，并在小鼠肾脏癌症 WSIs 上定量评估了六个深度学习模型，结果显示 Transformer 模型通常优于基于 CNN 的模型。

    Sep, 2023

  • 人类生物分子图谱计划（HuBMAP）中的微血管分割

    通过使用 2D 戊二醛 - 席夫碱（PAS）染色组织学图像，本研究在基础的 FastAI U-Net 模型基础上，探讨了替代骨干架构、深层模型以及特征金字塔网络。通过与基线 U-Net 模型进行基准测试，我们对这些不同的方法进行了严格评估，从而提供了有关前沿分割技术的全面探索，为未来研究提供了有价值的见解。

    Aug, 2023

  • LUNet：深度学习用于高分辨率眼底图像的细动脉和细静脉分割

    利用眼底数字成像技术，通过主动学习构建了一个新的数据集，其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉，开发了一种名为 LUNet 的新型深度学习架构，用于高分辨率的动静脉分割，并证明 LUNet 在多个测试集上显著优于其他分割算法。

    Sep, 2023

  • 基于生理学合成和域自适应的极弱监督血管分割

    使用生成模型模拟合成血管树并训练血管分割，提高细分肾小球周围微小血管的准确性，并在真实扫描上完成分割验证。

    May, 2023

  • 肾动脉网络的全尺寸重建的混合方法

    提出采用半自动分割技术和全局构造优化算法构建个体化肾血管网络模型，以实现肾功能计算机模拟和基于人工智能的诊断方法，并通过一只大鼠肾脏的解剖数据对模型进行有效性验证。

    Mar, 2023

  • 深度学习和合成训练数据在 sOCT 中的神经血管分割

    该研究使用序列切片光学相干断层扫描技术开发了一种高度可推广的神经血管分割方法，不需要手动注释并达到了人类水平的精度。

    Jul, 2024

  • FS-Net: 全尺度网络与自适应阈值用于提升微血管结构的提取

    提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制，对视网膜血管分割问题进行了降低，取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。

    Nov, 2023

  • 深度学习在相位对比计算机断层成像中的血管分割及应用

    自动血管分割在生物医学成像中至关重要，但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因，精确分割仍然具有困难。本研究通过深入文献研究，探讨机器学习技术在不同器官中的应用，旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集，并采用 nnU Net 模型进行实验评估。结果显示，尽管分割性能表现较好（clDice 值在 0.82 到 0.88 之间），但存在一些错误，如由于缺乏静水压力（HiP CT 是一种离体技术）而导致的大血管分割效果较差，以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出，我们旨在为后续基于不同成像模态的模型评估建立一个基准，特别是使用 HiP CT 成像数据库。

    Nov, 2023

  • 一种新的设计的双路径交互融合模块模型，用于增强图像中的视网膜血管结构分割

    通过使用 Swin-Res-Net 模型，该论文提出了一种改进视网膜血管分割的方法，提高了对显微血管的定位和分离能力，并在广泛使用的数据集上取得了出色的结果。

    Mar, 2024