Sep, 2023

胸腹部 CT 扫描中的肾脏异常分割

PDF
TL;DR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。
deep learningsegmentationkidney abnormalities3d u-netnnunet
发现论文，激发创造
  • 探索用于 MICCAI 2023 肾脏与肿瘤分割挑战的 3D U-Net 训练配置和后处理策略

    探索了在 CT 图像中精确分割肾脏、囊肿和肾肿瘤的各种 3D U-Net 训练配置和有效后处理策略，并通过 2023 肾脏和肾肿瘤分割（KiTS23）挑战数据集的验证，在未见过的测试数据上取得了第二名的最终排名，平均 Dice 系数为 0.820，平均 Surface Dice 系数为 0.712。

    Dec, 2023

  • 一个基于 2.5D ResUnet 模型的肾脏和肿块分割集成

    研究中采用 2.5D ResUnet 构建一个高效的粗到细语义分割框架，对 CT 扫描中的肾脏、肾脏肿瘤和肾囊肿进行自动分割。实验结果表明，肾脏、肿瘤和囊肿的 Dice 系数分别为 0.954、0.792、0.691，表面 Dice 系数分别为 0.897、0.591、0.541，平均每个 CT 扫描的推断时间为 20.65 秒，最大 GPU 内存为 3525MB，这表明在模型性能和效率之间取得了更好的平衡。

    Nov, 2023

  • 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

  • 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

  • 对比增强 CT 成像中肾脏和肾瘤分割的最新技术：KiTS19 挑战的结果

    本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

    Dec, 2019

  • 自动腹部 MRI 器官分割：基于 CT 标签生成的合成数据的应用

    利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

    Mar, 2024

  • AbdomenCT-1K：腹部器官分割问题已得解决吗？

    该论文介绍了一个大规模的腹部 CT 器官分割数据集 AbdomenCT-1K，其中包括来自 12 个医疗中心的 1000 多个 CT 扫描，并指出现有的分割方法在不同医疗中心、不同阶段和看不见的疾病上存在一定的局限性，提出了用于此类数据的四个器官分割基准以及针对这些基准的简单而有效的方法，这将有助于未来的医学影像研究。

    Oct, 2020

  • KiTS19 挑战赛数据：300 例肾肿瘤病例的临床背景、CT 语义分割和手术结果

    本研究提出了一个基于自动语义分割的肾脏和肾脏肿瘤形态学特征检测方法，并建立了覆盖肾性肿瘤磨损模式的数据集，通过这个数据集开展肾性肿瘤分割的任务以提高磨损模式分析效率。

    Mar, 2019

  • 使用突起检测网络在非对比度 CT 图像上分割肾肿瘤

    本文介绍了一种新颖的框架，可以明确捕捉肾脏中的突出区域，以实现对肾脏肿瘤的更好分割，并在公开的 KiTS19 数据集上进行了评估。实验结果表明，与 3D-UNet 相比，该方法在 NCCT 图像上实现了更高的 Dice 得分（0.615 + 0.097）和敏感性（0.721 + 0.103）。据我们所知，这是第一个专门设计用于 NCCT 图像上的肾脏肿瘤分割的深度学习方法。

    Dec, 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