Sep, 2023

SHARM：头部分段解剖参考模型

PDF
TL;DR通过使用卷积神经网络结构 ForkNet + 对 196 个被试进行了开放获取的分段头部解剖参考模型（SHARM）的生成，在年龄尺度上，结果表明不同组织分布的统计特征与实际测量结果具有高度一致性，SHARM 预计不仅对电磁剂量测定研究，而且对不同的头部分割应用都有重要参考价值。
segmentationanatomical tissuesbrain mappingneuromodulationsharm
发现论文，激发创造
  • 基于 SAM 的脑功能磁共振成像中的脑提取模型

    通过使用 Meta 发布的可用的全神经网络模型 SAM，本研究探讨了自动化分割算法在神经影像领域去除头骨伪影的高效性，结果表明了其潜在的应用价值。

    Jan, 2024

  • 用于分割模型训练的下丘脑及其子区域的高分辨率分割

    通过使用合成图像构建的标签图，我们提供了一个由高分辨率离体磁共振成像构成的数据集，该数据集可以用于开发使用合成数据的脑结构分割方法。

    Jun, 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

  • 使用胎儿组织注释数据集的自动多组织人类胎儿大脑分割基准测试

    提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库，覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别，以及对多种自动多组织分割算法准确性的量化评估。

    Oct, 2020

  • 针对神经退行性疾病的结构病理相关定量分析的高分辨率 7T 体外 MRI 自动化深度学习分割

    本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题，我们设计了一个基于深度学习的模型，基于高分辨率数据进行训练和测试，并结合脑病理学的定量评估，通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。

    Mar, 2023

  • SegmentAnyBone：MRI 上任意位置通用骨骼分割模型

    我们提出了一种通用的深度学习模型，用于对 MRI 骨骼进行分割，可在多个标准 MRI 位置进行全自动分割，并提供提示式分割。

    Jan, 2024

  • 基于 3D 全身 CT 扫描的全面、高效和可预警解剖结构分割模型

    本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

    Mar, 2024

  • TotalSegmentator MRI: MR 图像中 59 个解剖结构的序列无关分割

    我们开发了一个开源且易于使用的分割模型，可以独立于 MR 序列，自动且鲁棒地对大多数主要解剖结构进行分割。

    May, 2024

  • 基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

    基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

    Mar, 2024

  • 脑肿瘤分割的分割模型

    评估了 Segment Anything Model (SAM) 在脑肿瘤分割上的性能，发现 SAM 与目前的最先进模型之间仍存在差距。

    Sep, 2023