所有尺寸都重要:改善小型病变的体积性脑分割
该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法,利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能,得出的结果比现有的最优方法提升了30倍以上。
May, 2015
本文介绍了一种基于三维卷积神经网络的级联模型用于多发性硬化患者影像的白质病变分割方法,并在公共数据集MICCAI2008和两个私有临床数据集上进行了精度评估,表现优于其他已知方法。
Feb, 2017
本研究提出一种使用多模态成像和集成神经网络的深度学习方法,自动检测和分割小的靶病灶,以提高立体定向放射治疗(SRS)的效率。该方法优于当前基准水平,并证明了对于多个脑转移瘤的SRS治疗规划,可靠的AI辅助系统。
Aug, 2019
脑病变的体积是患者预后的一个重要指标,本文提出了TriadNet,一种基于多头卷积神经网络架构的分割方法,可以在不到一秒钟内同时提供病变体积和相关的预测区间,证明其在大规模MRI胶质母细胞瘤影像数据库(BraTS 2021)上的优越性。
Jul, 2023
针对脑癌中最具侵略性和最致命的类型之一,我们提出了一种新的方法,BRAINNET,利用MaskFormer和神经网络生成强大的脑肿瘤分割掩膜,该方法在MRI图像中获得了前所未有的高准确率。
Nov, 2023
通过在Brain Tumor Segmentation (BraTS-METS) 2023 challenge数据集上训练3D-TransUNet模型,我们探索了两种架构配置:仅在编码器中使用Transformer的Encoder-only 3D-TransUNet和仅在解码器中使用Transformer的Decoder-only 3D-TransUNet模型,结果显示Decoder-only 3D-TransUNet模型在脑转移分割方面具有增强的效果。
Mar, 2024
本研究旨在解决当前生物医学影像分析中病变识别准确度不足的问题,尤其针对小于3毫米的微小病变。提出的CAF-YOLO方法结合卷积神经网络和变换器的优点,通过引入注意力与卷积融合模块及多尺度神经网络,显著提升了微小病变的检测和定位能力。实验结果表明,该方法在BCCD和LUNA16等数据集上的表现优异,具有广泛的应用潜力。
Aug, 2024
本研究针对中风诊断中小型病灶的分割挑战,提出了两种新颖的标注方法:多尺寸标注(MSL)和基于距离的标注(DBL),以提高小型病灶的分割精度。实验结果显示,MSL和DBL的结合在多个评估指标上超越了2022年MICCAI ATLAS挑战赛的最佳表现,尤其在小型病灶子集上,单一的MSL模型也实现了显著提升。
Aug, 2024