Sep, 2023

3D SA-UNet：3D 空间注意 UNet 与 3D ASPP 用于白质高信号区域分割

PDF
TL;DR使用 3D Spatial Attention U-Net（3D SA-UNet）模型对液体衰减逆转复苏（FLAIR）扫描进行自动白质高信号（WMH）分割，通过增加 3D 空间注意力模块和 3D ASPP 模块，提高了网络的分割性能，并实验证明了该模型相比其他先进的 3D 卷积神经网络有更高的准确性。
white matter hyperintensitywmh segmentationdeep learning modelfluid attenuation inversion recovery3d spatial attention module
发现论文，激发创造
  • 脑部图谱引导下的注意力 U-Net 用于白质高信号区域分割

    本文提出了一种仅利用 FLAIR 图像和空间注册的白质（WM）脑图谱的脑图谱引导的关注 U-Net（BAGAU-Net）来产生竞争性的 WMH 分割性能，通过实验验证表明：BAGAU-Net 胜过了 T1 加持的最先进方法，为 WMH 分割的有效发展铺平了道路。

    Oct, 2020

  • MR 图像中白质高信号区域分割的全卷积网络集成

    利用深度完全卷积神经网络和集成模型自动检测老年健康人群中的白质高信号病变，取得 WMH Segmentation Challenge at MICCAI 2017 的第一名，同时提供关于系统组成成分的详细描述和定量分析。

    Feb, 2018

  • 基于概率 TransUNet 的白质高信号区分割

    本研究提出了一种名为 Probabilistic TransUNet 的方法来解决医学图像中小物体分割的准确性和模糊性问题，并通过 k 折交叉验证和跨数据集鲁棒性实验表明加入概率模型和使用基于 Transformer 的方法可以取得更好的性能。

    May, 2023

  • 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

  • 在临床异质性和低场便携式 MRI 中量化白质高信号和脑容积

    该研究描述了一种能在任意分辨率和对比度（包括低场可移动磁共振成像）的扫描中，无需重新训练即可分割白质高信号和 36 个脑区域的方法，并展示了在多个数据集和高 / 低场扫描的强相关性结果。

    Dec, 2023

  • 自动分割白质高信号区的标准化评估及其分割挑战结果

    本文介绍了通过 WMH Segmentation Challenge，针对来自多个中心和扫描仪的脑部 MRI 图像，评估了五种指标来比较自动化白质高信号 （WMH）分割算法的性能，发现了四种方法的结果比其他方法显著优越，并且表明不是所有方法都适用于未知扫描仪。

    Apr, 2019

  • 多尺度卷积堆叠聚合用于鲁棒性白质高信号区域分割

    使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

    Jul, 2018

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • 使用基于 3D 注意力机制的 U-Net 进行多类 MRI 脑肿瘤分割

    本文提出了一种基于 3D 注意力的 U-Net 架构，用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

    May, 2023

  • 使用 3D 注意力 UNet 进行脑肿瘤分割和生存预测

    本文研究了使用卷积神经网络结合注意力机制进行脑肿瘤分割和预测患者生存率的方法，其中应用了一些基于图像、形状和位置信息的新型 Radiomic 特征，并发现像组织学特征直方图、病灶位置、形状以及年龄等临床特征是预测生存率的最为关键的因素。

    Apr, 2021