Sep, 2023

利用卷积神经网络和 Transformer 评估肾脏层分割的全幻灯图像

PDF
TL;DR这篇论文评估了深度学习方法在肾脏层结构分割上的可行性，研究采用了代表性的卷积神经网络和 Transformer 分割方法，并在小鼠肾脏癌症 WSIs 上定量评估了六个深度学习模型，结果显示 Transformer 模型通常优于基于 CNN 的模型。
kidney layer structuresautomated image analysisdeep learning-based methodologiesconvolutional neural networktransformer models
发现论文，激发创造
  • 使用边界感知网络进行三维肾脏及肾肿瘤的语义分割

    本研究提出了一种基于卷积神经网络的肾和肾肿瘤分割方法，通过设计边界分支和边缘感知损失函数，可靠地从腹部 3D CT 扫描中分割肾脏和肾肿瘤，并在 2019 MICCAI KiTS 肾肿瘤分割挑战数据集上实现了出色的分割效果。

    Sep, 2019

  • 稠密实例分割在肾脏活检结构评估中的进展

    该研究提出了一种基于扩散模型、Transformer 模块和 RCNN 的无锚点实例分割模型，能有效识别肾脏活检中的肾小球、肾小管和动脉，成为新的最先进方法，达到了 51.7% 的检测准确率。

    Sep, 2023

  • 多尺度多站点肾脏微血管结构分割用于肾脏病理学全切片成像

    Omni-Seg 是一种新颖的单一动态网络方法，利用多站点、多尺度的训练数据，通过利用部分标记图像来分割肾脏微血管结构。实验结果表明，Omni-Seg 在 Dice 相似系数和交并比方面优于其他方法，为肾脏微血管结构的定量分析提供了强大的计算工具。

    Aug, 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

  • Transformer-CNN 融合架构用于增强皮肤病变分割

    通过融合 transformers 和 CNNs，我们提出了一种混合架构用于医学图像分割，旨在克服 CNNs 在捕捉全局依赖性和局部空间细节方面的局限性。我们通过比较各种架构和配置，并进行多次实验来评估它们的有效性。

    Jan, 2024

  • 基于深度学习模型的脑卒中分割：一项比较研究

    本研究选择了四种深度模型进行中风分割，即纯 Transformer 结构 (DAE-Former)，两种带有注意机制的先进 CNN 模型 (LKA 和 DLKA)，一种将 CNN 与 Transformer 结合的高级混合模型 (FCT)，以及以给定数据为基础的自适应 nnUNet 框架，并在两个公开可用的数据集上进行了评估，结果表明 nnUNet 在所有模型中具有最简单的设计，并通过强调预处理和后处理技术来提高分割结果，超越了仅关注架构设计的重要性。

    Mar, 2024

  • 胸腹部 CT 扫描中的肾脏异常分割

    使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

    Sep, 2023

  • 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

  • 从 CNN 到 Transformer：医学图像分割模型综述

    在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部 X 射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

    Aug, 2023

  • 利用 Swinunter 进行 CT 腹部多器官分割

    应用基于转换器的模型进行训练，研究论文中介绍了在计算机断层扫描中腹部多器官分割的重要性以及深度学习方法在此方面的应用。尽管由于器官边界模糊、复杂的背景和不同器官尺度的挑战，单个网络精确分割不同器官仍然具有挑战性。先前的竞赛中基本上所有前五名的方法都使用了基于卷积神经网络的方法，与此相对，本研究中使用基于转换器的模型，并以竞赛中的大量样本为基础，展示了转换器模型在腹部多器官分割中的可行性及结果表现。

    Sep, 2023