Aug, 2023

ReFuSeg：基于正规化的多模态融合技术用于精确脑肿瘤分割

PDF
TL;DR该论文介绍了一种新颖的多模态方法，用于通过四种不同的成像模态进行脑损伤分割，同时对缺失模态等实际场景具有鲁棒性，以确保病变分割的可靠性。
semantic segmentationbrain tumoursmulti-modal approachmissing modalitieslesion segmentation
发现论文，激发创造
  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 基于原型驱动和多专家集成的多模态 MR 脑肿瘤图像分割

    提出了一种带有肿瘤原型驱动和多专家集成的多模式磁共振脑肿瘤分割方法，利用原型突出每个肿瘤亚区的特征并生成相应的激活图，进而提高分割性能。

    Jul, 2023

  • 基于特征分离和门控融合的鲁棒多模式脑肿瘤分割

    本研究提出一种新的多模态分割框架，使用特征解缠来将多模态数据分解为特定于每种模态的出现代码和吸收多模态信息的模态不变内容代码，从而通过在不同区域门控不同模态的贡献来融合来自每种模态的解缠内容代码，在各个模态数据缺失的情况下获得了优异的鲁棒性，尤其是在 BRATS 挑战数据集的脑肿瘤分割任务中表现出了优秀的性能。

    Feb, 2020

  • ME-Net：用于脑肿瘤分割的多编码器网络框架

    该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类 Dice 损失函数，该方法可以降低特征提取难度，并显著提高模型性能，在验证集上能够与目前最先进的方法相媲美，在完整肿瘤，肿瘤核和增强肿瘤方面的 Dice 分数分别为 0.70249，0.88267 和 0.73864。

    Mar, 2022

  • 脑肿瘤分割的处理和迁移学习的优化框架

    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

  • 利用不完整影像数据进行脑肿瘤分割

    本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响，检验 MRI 数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。

    Jun, 2022

  • 智能医学图像分析中的多尺度图像融合系统探索

    这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

    May, 2024

  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。

    Dec, 2023

  • 基于混合模态专家的脑损伤分割基础模型

    我们提出了一个用于三维脑病变分割的通用基础模型，它可以自动分割不同类型和不同成像模态数据的脑病变。我们设计了一种新颖的多模态专家混合框架，利用多个专家网络处理不同的成像模态，并使用分层门控网络将专家预测结果相结合。此外，在训练过程中引入课程学习策略，以避免每个专家网络的退化并保留其专业化。在九个脑病变数据集上评估我们的方法，涵盖了五种成像模态和八种病变类型，结果表明我们的模型优于最先进的通用模型并具有良好的泛化性能。

    May, 2024

  • MRI 脑肿瘤分级的双重注意力型、跨模态引导多模态学习

    通过 MRI 多模态学习和跨模态指导，提出了一种用于 MRI 脑肿瘤分级的新方法，以准确识别肿瘤类型和等级，并选择精确的治疗计划。

    Jan, 2024