Sep, 2023

整体 FDG PET/CT 图像自动病变分割的广义 Dice Focal Loss 训练的 3D 残差 UNet

PDF
TL;DR使用三维残差 UNet 模型和广义 Dice Focal Loss 函数，在 AutoPET 挑战 2023 的训练数据集上训练了五个模型，并通过平均和加权平均集成方法将其组合。在初步测试阶段，平均集成模型的 Dice 相似系数（DSC）为 0.5417，假阳性体积（FPV）为 0.8261 毫升，假阴性体积（FNV）为 0.2538 毫升；而加权平均集成模型的结果分别为 0.5417、0.8186 毫升和 0.2538 毫升。
automated segmentationcancerous lesionspet/ct imagesdeep learning-based segmentationquantitative image analysis
发现论文，激发创造
  • AutoPET Challenge 2022：基于深度学习和 FDG PET/CT 的全身肿瘤病灶自动分割

    本研究提出一种新的深度学习模型训练策略，用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型，该方法基于 AutoPET 2022 挑战赛的训练集进行验证，并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积，代码已在链接中提供。

    Aug, 2022

  • 一种用于 PET/CT 病灶分割的镜像 - Unet 结构

    提出一种深度学习方法，用于从 [18F] FDG PET/CT 扫描中分割肿瘤性病变和组织。使用两个 UNet-3D 分支的组合，一个用于分割 CT 图像中的一组组织，另一个用于分割 PET 图像中的病变，并将 CT 分支的信息嵌入到瓶颈中。在 AutoPET MICCAI 2023 挑战数据集上进行了网络的训练和验证。

    Sep, 2023

  • 深度神经网络在 PET / CT 图像中检测和量化淋巴瘤病变的全面评估与洞察

    本研究通过对四种神经网络架构（UNet、SegResNet、DynUNet 和 SwinUNETR）在 PET/CT 图像中进行淋巴瘤病变分割的全面评估，并在多种机构的 611 个病例的多样化数据集上进行训练、验证和测试。利用内部测试和未见的外部测试集，评估了分割准确性、临床相关性和算法的稳定性。

    Nov, 2023

  • FP-PET：大模型、多损失与专注实践

    本研究提出了 FP-PET，这是一种针对 CT 和 PET 图像的医学图像分割的综合方法。利用 AutoPet2023 挑战赛的数据集，研究采用了多种机器学习模型，包括 STUNet-large、SwinUNETR 和 VNet，实现了最先进的分割性能。文章引入了一个综合评估指标，结合了 Dice 分数、假阳性体积（FPV）和假阴性体积（FNV），提供了模型有效性的全面衡量。研究还讨论了与模型训练相关的计算挑战和解决方案，该训练使用高性能 GPU 进行。研究还探讨了预处理和后处理技术，包括高斯加权方案和形态学操作，以进一步优化分割输出。本研究为高级医学图像分割的挑战和解决方案提供了有价值的见解。

    Sep, 2023

  • 基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准

    癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

    Apr, 2024

  • 深度医学图像分割的置信度校准与预测不确定性估计

    本文研究了医学图像分割中全卷积神经网络的预测不确定性估计，包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较，基于批归一化和 Dice 损失的网络置信度校准及模型集成方法，以及有关医学图像分割的结构分割质量预测和检测等方面的研究。通过广泛的实验验证了这些内容，提出了用于置信度校准的实用方案，并表明模型集成可提高其置信度校准度。

    Nov, 2019

  • 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

  • 使用多标签方法改进 FDG-18 全身 PET/CT 扫描中的病变分割：AutoPET II 挑战

    使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而，器官存在放射性示踪剂摄取增加，如肝脏、脾脏、脑和膀胱，导致深度学习模型经常将这些区域错误地识别为病变，为解决这个问题，我们提出了一种新的方法，旨在分割器官和病变，以提高自动化病变分割方法的性能。

    Nov, 2023

  • 基于改进的全卷积神经网络和分层 Dice 损失的脑肿瘤分割

    本研究采用多种流行的 FCNN 模型，在其基础上进行网络结构调整并使用分层 Dice 损失函数来提高基于 MRI 图像的脑肿瘤分割效果。经过大量实验对比，验证了新型网络和损失函数相比于传统方法在精度、召回率、mIoU 和 DSC 等性能指标上的有效性。

    Dec, 2017

  • 一种新的以焦点 Tversky 目标函数为基础的改进型 Attention U-Net 用于病灶分割

    提出了一种基于 Tversky 指数的广义 focal loss 函数来解决医学图像分割中数据不平衡的问题。在小的结构如病变方面，相较于常用的 Dice loss，我们的损失函数在精确率和召回率之间取得了更好的平衡。通过在图像金字塔中加入上下文特征，改进了 Attention U-Net 模型的性能，针对 BUS 2017 数据集和 ISIC 2018 数据集进行的实验结果显示，在占图像面积的 4.84% 和 21.4% 的情况下，与标准 U-Net 相比，分割精度分别提高了 25.7% 和 3.6%。

    Oct, 2018