Aug, 2023

DeepBet: T1 加权 MRI 的快速脑提取使用卷积神经网络

PDF
TL;DR使用深度学习方法构建了一种名为 Deepbet 的快速、高精度的脑提取工具，其对磁共振成像数据进行了分割，并在交叉验证中表现出了新的最先进性能，Dice 分数中位数为 99.0%，优于现有的模型，而且相对于当前方法加速了约 10 倍。
brain extractionmagnetic resonance imagingneuroimaging preprocessingdeep learning-based methodshigh-precision segmentation
发现论文，激发创造
  • Fetal-BET: 胎儿 MRI 脑部图像提取工具

    使用大规模注释数据集，结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强，开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。

    Oct, 2023

  • 深度学习实现胎儿 MRI 中胎儿脑自动提取

    本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

    Oct, 2017

  • SAM vs BET: 基于深度学习的磁共振图像脑提取和分割的比较研究

    本文对比研究了 Segment Anything Model 与当前广泛应用的 BET 技术在用于脑扫描的 MRI 数据中的效果差异并发现，在信号不均匀、像素分辨率不同、或者存在于脑和脑膜外侧部分的损伤等情况下，SAM 表现更佳，有望成为更准确、稳健和多用途的脑分割工具。

    Apr, 2023

  • 基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

    基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

    Mar, 2024

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • 卷积神经网络在 MR 脑图像自动分割中的应用

    使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

    Apr, 2017

  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

    Apr, 2023

  • DeepNAT：用于神经解剖分割的深度卷积神经网络

    DeepNAT 是一种使用卷积神经网络进行脑结构自动分割的方法，其中包括使用多任务学习，Laplace-Beltrami 算子和条件随机场来解决一系列挑战。

    Feb, 2017

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024

  • 基于无监督深度学习的贝叶斯脑 MRI 分割

    本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。

    Apr, 2019