Sep, 2023

整合颅内测量的分层变压器网络用于全脑分割的增强

PDF
TL;DR通过提升层次转换 UNesT 模型实现了对包含 133 个类别的整个大脑和总颅内容积 / 后颅洞容积的分割，同时解决了由于数据稀缺导致的数据可用性问题，展示了模型在总颅内容积 / 后颅洞容积估计方面的精确性以及 132 个大脑区域的性能。
whole brain segmentationmagnetic resonance imagingintracranial measurementsdeep learning techniquesdice similarity coefficients
发现论文，激发创造
  • 3D 脑部瘤分割的 3D 融合 Transformer

    该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

    Apr, 2023

  • 基于空间定位的图谱网络瓦块的 3D 全脑分割

    本文提出了一种名为 SLANT 的方法，结合传统医学图像处理和深度学习， 提供了一种分布式多个独立 3D 全卷积网络进行高分辨率全脑分割的方法， 并将其应用于大量未标记扫描的辅助标签， 与传统多图谱分割方法相比，该方法的性能更优，并将计算时间从 > 30 小时缩短至 15 分钟。

    Mar, 2019

  • Swin UNETR: 基于 Swin Transformers 的 MRI 图像脑瘤语义分割

    利用 Swint UNEt TRansformers 模型和多模 MRI 数据对 3D 颅脑肿瘤进行语义分割，可以转换为序列预测问题，以 5 个不同分辨率提取特征，通过跳过连接连接到 FCNN 解码器，并在 BraTS 2021 分割挑战中表现出优越的性能。

    Jan, 2022

  • 使用视觉 Transformer 集成的脑胶质母细胞瘤肿瘤分割

    针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

    Nov, 2023

  • 注意力增强的混合特征聚合网络用于三维脑肿瘤分割

    基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。

    Mar, 2024

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • wmh_seg: 转换器基于的 U-Net 用于 1.5T、3T 和 7T 的鲁棒和自动化的白质高信号区分割

    使用 wmh_seg 这一基于转换器编码器的深度学习模型，该模型在不同磁场强度、扫描仪制造商和常见磁共振成像伪影的条件下，稳定地实现了 7T 患者的白质病变分割。

    Feb, 2024

  • 基于残差变换器的脑肿瘤分割的集成学习

    提出了一种将 Transformers 集成到自适应 U-Net 中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

    Jul, 2023

  • 基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

    应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

    Aug, 2023

  • 基于 Swin Transformers 的全自动流水线用于脑动脉瘤硬膜下出血后头部 CT 扫描的基于深度学习的血液分割

    利用 Swin UNETR 的基于人工智能的完全自动化血液分割工具，该研究开发和验证了针对非对比增强 CT（NCCT）扫描的 SAH 患者的自发性蛛网膜下腔出血（SAH）的准确容积评估方法，其效果鲁棒且具有广泛的临床可采用性。

    Dec, 2023