Sep, 2023

使用缩放残差自助法在任意数据集上改进白质束分割的泛化能力

PDF
TL;DR本研究提出了一种通过使用缩放残差自助法改进的白质束分割方法，以提高模型对任意测试数据集的泛化性能。实验证明，在不同设置下，我们的方法一致提高了白质束分割的泛化能力。
white matter tract segmentationdiffusion magnetic resonance imagingdeep neural networksgeneralizationresidual bootstrap
发现论文，激发创造
  • 扩散 MRI 中大脑白质束的直接分割

    提出一种基于深度学习方法直接从扩散 MRI 数据中分割出大脑白质道的新方法，克服了现有方法因中间计算所带来的误差，并且相较于现有技术，该方法具有更好的泛化能力并可用于多种临床和研究应用。

    Jul, 2023

  • 通过大量数据增强实现新型白质束的单张分割

    本文研究如何基于深度学习对白质纤维传播成像进行分割，着重研究了如何利用少量标注数据进行一次性分割，通过数据增强的方式，提高了模型对新的白质纤维传播成像的分割准确性。

    Mar, 2023

  • 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

  • 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

  • 胎儿大脑的解剖学束追踪

    提出了一种基于胎儿脑组织精确分割的解剖约束轨迹追踪方法，通过深度学习自动计算出精确的分割， 从而显著提高扩散张量成像的准确性和可重现性。

    Mar, 2024

  • TBSS++: 一种新的基于轨迹的空间统计计算方法

    提出了一种新的计算框架，通过准确地分割束与不同主体 / 扫描的数据的精确注册，基于纤维定向分布，创建白质束详细解剖图，并为所有主体的数据创建一个基准空间进行比较，从而改善白质束间跨主体数据的比较的准确性和重复性。

    Jul, 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

  • atTRACTive：使用主动学习的半自动化白质纤维束分割

    提出一种半自动熵基主动学习方法，通过很少的标注样本，快速直观地从数百万条流线的全脑道路图中分割出白质束，能够在肿瘤病例中实现与正常状况相当的分割效果（dice=0.71），而平均分割时间也比传统基于感兴趣区域的方法更短。

    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