Aug, 2023

FastSurfer-HypVINN: 高分辨率脑 MRI 中下丘脑及邻近结构的自动子分割

PDF
TL;DR我们提出了一种名为 HypVINN 的新型、快速、全自动的深度学习方法，用于对 0.8 毫米等效的 T1w 和 T2w 脑 MR 图像进行下丘脑及邻近结构的子分割，具有较高的分割性能和广泛的适应性。
hypothalamusneuroimagingsegmentationautomateddeep learning
发现论文，激发创造
  • 用于分割模型训练的下丘脑及其子区域的高分辨率分割

    通过使用合成图像构建的标签图，我们提供了一个由高分辨率离体磁共振成像构成的数据集，该数据集可以用于开发使用合成数据的脑结构分割方法。

    Jun, 2024

  • H-SynEx：使用合成图像和超高分辨率体外 MRI 进行下丘脑亚区分割

    开发了一种基于超高分辨率离体磁共振成像（MRI）的下丘脑亚区自动分割方法，可跨 MRI 序列和分辨率进行普适化，无需重新训练。

    Jan, 2024

  • 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

  • FastSurfer -- 快速准确的基于深度学习的神经影像处理管道

    本研究基于深度学习提出了一种快速准确的神经影像处理流程，用于自动处理结构人脑 MRI 扫描。我们在 95 个类别中引入多元切片信息聚合，利用竞态稠密块和竞态跳跃路径实现局部和全局竞争，并通过将大脑标签直接映射到表面实现了皮质表面建模和厚度分析。在多个数据集中进行了广泛的验证，证明了该方法的高精度、高可靠性和高灵敏性。

    Oct, 2019

  • 联合结构和扩散 MRI 进行丘脑核的领域不可知分割

    该研究提出了一种使用卷积神经网络（CNN）从任意分辨率的 T1 和扩散数据中区分丘脑核的方法，该方法基于一种公共组织学图谱和高质量扩散数据的银标准分割工具，并可应用于不同来源的数据集。

    May, 2023

  • DeepThalamus: 从多模态超高分辨率 MRI 自动分割脑丘核的新颖深度学习方法

    本研究设计并实现了一个多模态体积深度神经网络，用于超高分辨率（0.125 mm3）下丘脑核的分割，并与其他方法进行了比较，在分割质量和效率方面表现出竞争力。

    Jan, 2024

  • 针对神经退行性疾病的结构病理相关定量分析的高分辨率 7T 体外 MRI 自动化深度学习分割

    本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题，我们设计了一个基于深度学习的模型，基于高分辨率数据进行训练和测试，并结合脑病理学的定量评估，通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。

    Mar, 2023

  • MRI 中基底核分割的 3D 卷积神经网络：一项大规模研究

    本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

    Dec, 2016

  • 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

  • 基于 Swin Transformers 的全自动流水线用于脑动脉瘤硬膜下出血后头部 CT 扫描的基于深度学习的血液分割

    利用 Swin UNETR 的基于人工智能的完全自动化血液分割工具，该研究开发和验证了针对非对比增强 CT（NCCT）扫描的 SAH 患者的自发性蛛网膜下腔出血（SAH）的准确容积评估方法，其效果鲁棒且具有广泛的临床可采用性。

    Dec, 2023