Aug, 2023

基于注意力机制的 CT 扫描插值用于结直肠肝转移病灶分割

PDF
TL;DR本文提出了一种新颖的无监督注意力插值模型，用于生成计算机断层扫描中连续三重切片之间的中间切片，以改善基于卷积神经网络的计算机断层扫描分割模型在不同切片厚度上的性能降低问题，并且该模型在处理具有较厚切片的数据时，通过创建等各向异性的数据集，显著提高了病变分割的结果。
colorectal liver metastasesconvolutional neural networkcomputed tomographyunsupervised attention-based interpolationisotropic volume
发现论文，激发创造
  • 基于级联全卷积神经网络和三维条件随机场的 CT 肝脏和病变自动分割

    本文介绍了使用级联的全卷积神经网络和密集的 3D 条件随机场来自动分割 CT 腹部图像中的肝脏和病变的方法，实现了对肝脏和病变的语义分割，其 Dice 分数超过 94％，每个体积计算时间低于 100 秒。

    Oct, 2016

  • 使用深度学习的检测辅助肝部病变分割

    本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

    Nov, 2017

  • 使用级联完全卷积神经网络自动分割 CT 和 MRI 体积中的肝脏和肿瘤

    该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。

    Feb, 2017

  • 使用卷积神经网络和图割自动定位及分割三维肝部影像

    该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法，可在临床设置中实现高效而准确的肝容积估算，可替代耗时且不可重复的手动分割方法。

    May, 2016

  • 使用深度卷积神经网络方法自动进行肝脏病变分割

    利用深度卷积神经网络，以 2.5D 方式对肝脏 CT 图像进行分割，并在 130 个 LiTS 训练数据集上进行训练，在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67，时隔 ISBI2017 会议后获得了该领域的第一名。

    Apr, 2017

  • 多阶段多目标 CT 扫描中的肝脏病变分割和检测

    通过在多个阶段运用神经网络进行多相计算机断层扫描，结合分割模型和单相训练，我们的方法在肝脏病变分割性能上取得了 1.6% 的改进，并降低了 8% 的主体间性能差异。

    Apr, 2024

  • 基于联合肝分割的肝脏病变分割

    提出了一种用于计算机断层扫描（CT）图像中肝脏和肝脏病变联合分割的模型，该模型利用两个全卷积网络并置并端对端联合训练；在 2017 年 MICCAI 肝肿瘤分割挑战赛中，我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数，不同于其他表现优秀的方法，我们的模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。然而，我们的方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。

    Jul, 2017

  • CT 影像中基于像素 - 病灶 - 患者网络的肝肿瘤筛查和诊断

    提出了一种名为 Pixel-Lesion-pAtient Network (PLAN) 的新型框架来解决肝脏肿瘤的筛查、分割和分类问题，同时利用大规模多相数据集进行测试，结果表明其优于常见的卷积神经网络和 transformers，并接近于资深人类放射科医生的表现。

    Jul, 2023

  • 基于深度变体搜索算法集成高级注意力机制的肝肿瘤预测

    提出了一种利用卷积神经网络和基于深度的变体搜索算法与先进的注意机制（CNN-DS-AM）预测肝脏肿瘤的新方法，证明了将注意机制和基于深度的变体搜索算法结合到卷积神经网络模型中是提高肝肿瘤预测的准确性和鲁棒性的有希望的方法，可以协助放射科医生进行诊断和治疗规划，预测肝脏肿瘤的准确率达到了 95.5% 以上，优于其他最先进的方法。

    Nov, 2023

  • 使用卷积神经网络自动分割非增强 CT 上的肾脏和囊性肾病变

    实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

    May, 2024