Sep, 2023

无代码调整 JSON 计划，在 AutoPET II 挑战中优化 nnU-Net

PDF
TL;DR在 AutoPET II 挑战赛中，我们通过修改 nnU-Net 中易于理解和修改的 'nnUNetPlans.json' 文件，切换到具有残差编码器的 UNet，增加批次大小和块大小，从而获得了一个配置，其性能显著超过自动配置的 nnU-Net 基线（5 折交叉验证 Dice 分数为 65.14 比 33.28），但模型训练的计算需求会增加。我们的最终提交是两个最有前途配置的集合。在提交时，我们的方法在初步测试集上排名第一。
autopet ii challengennu-netnnunetplans.jsonunet with residual encoderensemble configuration
发现论文，激发创造
  • nnU-Net 用于脑肿瘤分割

    本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时，我们的最终集成在整个肿瘤中，肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03，HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。

    Nov, 2020

  • 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

  • AutoDispNet: 借助 AutoML 提高视差估计

    本文章研究使用 AutoML 方法和神经网络搜索技术来优化大规模 U-Net 等编码器 - 解码器架构，以达到比手动优化的基准更高和最先进的视差估计表现。

    May, 2019

  • nnU-Net：基于 U-Net 的医学图像分割的自适应框架

    本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架，用于医学影像分割任务，其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。

    Sep, 2018

  • PriorNet：包含肿瘤先前出现信息的 PET-CT 病变分割

    本研究提出一种基于 U-Net 架构的 PET-CT 肿瘤分割方法，通过先生成肿瘤外观先验图进行改进，可以得到平均 Dice 分数达到 0.701 的良好肿瘤分割结果。

    Oct, 2022

  • 用于大型预训练语言模型参数高效微调的神经架构搜索

    探讨了一种基于网络剪枝的高效的神经架构搜索方法用于学习预训练模型的参数优化方法 (Parameter-efficient tuning)，并在 GLUE 上的实验结果表明算法的有效性以及 PET 网络结构设计的实际表现。

    May, 2023

  • 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

  • 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

  • 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

    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。

    Sep, 2023

  • 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