BHSD:一个三维多类别脑出血分割数据集
建立了 ICH 和正常对比以及三种 ICH 图像分类(深部、皮质下和叶间)的数据集,提出了一种用于自动分类和诊断 ICH 图像的双任务视觉变换器(DTViT)。实验结果表明,我们提出的多分类网络在实际测试数据集上表现良好。
May, 2024
本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来,以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数,可用于未来分析和比较。
Oct, 2019
本研究提出了一种基于 Swim transformer 的弱监督颅内出血分割方法,并将其与基于 U-Net 的全监督方法及使用 Grad-CAM 的类似弱监督方法进行了比较,结果显示该方法具有良好的医学图像分割潜力。
Apr, 2023
通过使用图像级别的二元分类标签,我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割,该方法通过分类网络的类激活图确定 ICH 的大致位置,并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割
Sep, 2023
介绍了一种名为 HICH-IT 的新的医学领域高血压脑内出血(HICH)的多模态数据集,旨在提高人工智能在 HICH 的诊断和治疗中的准确性。该数据集包含文本信息和头部 CT 图像,并结合特定注释和深度学习算法,用于图像分割和命名实体识别的特征学习。
Jan, 2024
血脑屏障区自动分割方法的 CT 数据集 PHE-SICH-CT-IDS 将有助于评估 intracerebral hemorrhage 的分割、检测和特征提取方法。
Aug, 2023
ICHPro 是一种基于联合注意力融合的三维跨模态网络,模拟了神经外科医生在脑出血预后解释过程中使用的方法,能提取更丰富的跨模态特征,从而提高分类性能。
Feb, 2024
本研究开发和验证了一组深度学习算法,用于自动检测无对比剂头颅 CT 扫描的关键发现:颅内出血(ICH)及其类型,脑内实质(IPH),脑室内(IVH),硬膜下(SDH),硬脑膜外 (EDH) 和蛛网膜下 (SAH),骨盖骨折,中线移位和占位效应,AUCs 测评结果显示算法的识别准确率达到了很高的水平。
Mar, 2018
该论文介绍了一个名为 INSTANCE 的大型挑战赛,旨在为研究人员提供解决自动颅内出血分割问题和非均异性数据处理问题的基准测试和方法。INSTANCE 提供一套包含 100 个带有真实标签和 30 个没有真实标签的验证数据的训练库,以及用于最终评估的 70 个带有真实标签的测试数据库。13 个团队提交的解决方案中,其中一个方法的 DSC 平均值为 0.6925,相比我们提出的基准方法有了显著提升。
Jan, 2023