Oct, 2023

胎儿 EPI MRI 时间序列中的一致性规范提高胎盘分割

PDF
TL;DR该研究提出了一种有效的半监督学习方法，通过一致性正则化损失函数，改善了胎儿 EPI MRI 时间序列中胎盘分割的准确性，进而提高了预测的时间一致性，从而对胎盘生物标志物的精确计算有所帮助。
placenta segmentationfetal epi mrisemi-supervised learningconsistency regularization losstemporal coherency
发现论文，激发创造
  • 基于 BOLD Fetal MRI 时间序列的胎盘形状感知分割

    通过机器学习分割方法，本文对胎盘 BOLD MRI 进行准确的分割，并在多种目标函数上进行全面评估。研究结果表明，边界加权可以提高胎盘分割性能。

    Dec, 2023

  • 基于区域一致性的半监督学习用于胎儿脑 MRI 质量评估

    本研究提出了一种基于半监督的深度学习方法，通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约 6％，并且优于其他半监督学习方法。此外，该方法已在 MR 扫描仪上进行实现和评估，并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。

    Jun, 2020

  • 利用融合策略和深度学习实现人体胎盘的自动三维多模态超声分割

    提出了一种利用深度学习和多种融合策略自动进行三维多模式（B 模式和功率多普勒）超声分割的人类胎盘分割方法，发现多模式信息以 B 模式和功率多普勒扫描的形式优于任何单一模式，且数据级别的融合提供了最佳结果，均值 Dice 相似系数（DSC）为 0.849。

    Jan, 2024

  • PlaNet-S：胎盘的自动语义分割

    开发了一个全自动的语义胎盘分割模型，通过集成学习将 U-Net 和 SegNeXt 架构融合在一起。该模型在胎盘分割任务中比传统的 U-Net 表现更好，解决了耗时的人工分割问题，具有广泛的胎盘成像分析应用潜力。

    Dec, 2023

  • 一种极其简单的一致性正则化半监督医学图像分割方法

    本文提出了一种新颖的正则化策略，包括基于插值的混合策略，以此来解决医学图像分割任务中像素级注释不足的普遍问题。实验证明该方法比现有的半监督模型更具优越性，且不需要额外的计算。

    Feb, 2022

  • 从噪音注释中学习分割胎儿脑组织

    本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

    Mar, 2022

  • 基于半监督深度学习的盆底 MRI 分割

    通过深度学习的语义分割方法，我们提出了一种半监督框架用于盆腔器官的分割，该方法在语义分割和几何重建方面显著提高了性能，平均 Dice 系数可增加 2.65％，尤其对于难以分割的器官，如子宫，语义分割的准确性可提高最多 3.70％。

    Nov, 2023

  • 深度学习实现胎儿 MRI 中胎儿脑自动提取

    本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

    Oct, 2017

  • 胎儿 MRI 中具有模糊和复杂边界结构的轮廓骰子损失

    该论文研究了采用 Contour Dice loss 对胎儿结构进行 MRI 分割的方法，并发现对于胎盘和胎脑皮层区域，该方法与其他检测方法相比表现更好。

    Sep, 2022

  • 医学图像半监督分割中的变换一致自组织模型

    本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

    Feb, 2019