Aug, 2023

跨临床站点改进多发性硬化症病变分割：一种具有抗噪训练的联邦学习方法

PDF
TL;DR使用联邦学习框架中的标签修正策略，解决多发地点协作中数据隐私和标签噪声的问题，实现多发地点的合作，提高多发地点数据的可靠性，并在多发地点数据上进行广泛实验证明了方法的有效性和鲁棒性。
multiple sclerosismagnetic resonance imagingdeep learningfederated learninglabel correction
发现论文，激发创造
  • 构建准确且普适的多发性硬化症病灶分割模型：自我集成病灶融合

    利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，不需要进一步的修改，同时具备实例归一化，而非文献中广泛使用的批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。

    Dec, 2023

  • 基于注意力机制的卷积神经网络在 FLAIR 图像中的多发性硬化症病变分割

    使用 FLAIR 影像的卷积神经网络来自动分割多发性硬化症的病变，该方法在测试中表现显著优于其他现有的方法。

    Jan, 2022

  • 不共享病人数据的多机构深度学习建模：基于脑肿瘤分割的可行性研究

    本研究介绍了第一个使用联邦学习实现多机构协作、不共享患者数据的深度学习模型，结果表明它在多模态脑扫描的分割方面的性能与共享数据的训练模型相似，在与另外两种合作学习方法的比较中也取得了最佳结果。

    Oct, 2018

  • 基于深度神经网络的多发性硬化症病变和神经解剖分割

    本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

    Jan, 2019

  • 基于级联 3D 卷积神经网络方法的自动化多发性硬化病变分割改进

    本文介绍了一种基于三维卷积神经网络的级联模型用于多发性硬化患者影像的白质病变分割方法，并在公共数据集 MICCAI2008 和两个私有临床数据集上进行了精度评估，表现优于其他已知方法。

    Feb, 2017

  • 基于联邦学习的深度学习磁共振图像重建的多机构合作

    本研究提出了一种针对磁共振图像重建的联邦学习解决方案，该方案利用了不同机构可用的磁共振数据，同时保护了患者隐私；为了克服因使用多个机构数据而产生的域移位，提出了一种跨站点建模方法，实验结果表明该方法有望在不影响患者隐私的前提下提高磁共振图像重建的效果。

    Mar, 2021

  • 协作学习用于高效注释体积 MR 图像分割

    建立了一种深度学习方法，探索了稀疏标注，即每个 3D 训练 MR 图像只有一个 2D 切片进行标注，与 ICT 相比，该方法在分割准确性方面取得了显著提升，对于前列腺分割，平均 B-IoU 增加了 10.0% 以上（提出的方法 B-IoU：70.3% vs. ICT B-IoU：60.3%），对于左心房分割，平均 B-IoU 增加了 6.0% 以上（提出的方法 B-IoU：66.1% vs. ICT B-IoU：60.1%）。

    Dec, 2023

  • 基于云的联邦学习框架用于 MRI 分割

    本研究提出了一种面向农村医疗机构的脑组织分割新框架，采用深度强化学习环境与本地部署的细化模型相结合。该框架通过有限数据集的训练，验证了其在多样性场所的分割准确性，使得平均准确率达到 92%。

    Mar, 2024

  • 探索深度网络中的不确定性度量以用于多发性硬化症病变检测和分割

    研究探索了在深度神经网络中基于蒙特卡罗 Dropout 的多种不确定性估计方法，提供了四种不同的体素级别的不确定性度量，可用于医学图像中的病变检测和分割。经实验结果表明，使用不确定性度量能够比仅使用网络的 Sigmoid 输出作为概率选择更好的操作点。

    Aug, 2018

  • 使用编码器 - 解码器 U-NET 在 MRI 中合成多发性硬化症病变

    本文研究旨在提高监督式机器学习算法的性能，生成合成性多发性硬化症 (MS) 病灶于核磁共振图像。我们提出了一种双输入双输出的全卷积神经网络模型，用于 MS 病灶合成 MRI 影像。使用病灶信息编码为二进制强度层掩膜，并通过对输入影像叠加。实验结果表明，通过合成图像同时使用非掺杂使得模型在 MS 病灶检测领域有很好的表现。

    Jan, 2019