Oct, 2023

MICCAI SEG.A. 2023 挑战中的三维 CT 主动脉分割

PDF
TL;DR利用图像学对主动脉进行筛查有助于早期发现和监测主动脉疾病。我们使用自动分割方法 Auto3DSeg，通过该方法在 3D CT 挑战赛中实现了平均 Dice 分数为 0.920 和 95th 百分位 Hausdorff 距离（HD95）为 6.013 的成绩，在 SEG.A.231 挑战中名列第一并获得了胜利。
aortaimagingsegmentationctchallenge
发现论文，激发创造
  • 使用经过大量增强的高分辨率三维 ResUNet 进行自动主动脉分割：对 SEG.A 挑战的贡献

    自动分割三维医学图像中的主动脉是一项重要且困难的任务，本研究提出了一种基于深度编码 - 解码架构的全自动算法，通过数据预处理和增强来解决低数据量情况下的主动脉分割问题，并在测试中获得了较高的稳定性和 Dice 分数。

    Oct, 2023

  • 使用深度完全卷积网络在 CT 扫描中分割主动脉血管树

    采用两阶段的全卷积网络，在 CTA 扫描中准确自动地分割主动脉血管树，达到加速医学图像分析流程的目的，并在 2023 年 MICCAI 主动脉（SEG.A.）挑战赛中，使用公共数据集评估了该方法，取得了较高的 Dice 相似系数（0.920）、Jaccard 相似系数（0.861）、召回率（0.922）和精确度（0.926）的结果。

    May, 2023

  • MICCAI KiTS 2023 挑战中肾脏和肿瘤的自动化 3D 分割

    KiTS 2023 挑战是一个平台，让研究人员比较他们对三维 CT 图像的分割解决方案。本研究描述并使用 MONAI 中的自动化分割工具 Auto3DSeg 参与挑战，我们的解决方案平均 Dice 系数为 0.835，表面 Dice 系数为 0.723，排名第一并赢得了 KiTS 2023 挑战。

    Oct, 2023

  • 基于 3D 卷积神经网络的腹主动脉瘤分割

    本文提出了首个用于分割腹主动脉瘤的 3D 卷积神经网络，并成功地验证了其在诊断和评估方面的性能，该方法可自动量化主动脉瘤直径，开拓更复杂的主动脉瘤分析机会。

    Mar, 2019

  • DeepVox 和 SAVE-CT：一种对比度和剂量无关的三维深度学习方法，用于胸部主动脉分割和动脉瘤预测的计算机断层扫描

    这项研究探索了使用低剂量 CT 扫描和无对比剂加强 CT 扫描获得的图像进行自动化筛查、评估和分类的方法，开发了一种新型分割模型和 TAA 分类模型，可在不同条件下进行全自动的无对比剂和剂量独立的 TAA 评估，以减少患者的筛查时间和病理评估风险。

    Oct, 2023

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • CIS-UNet：基于上下文感知位移窗口自注意力的计算机断层扫描血管造影主动脉分割

    在本文中，我们介绍了一种用于主动脉和其十三个分支的多类分割的深度学习模型 CIS-UNet，并证明其在 CT 扫描中优于现有的基于 Swin 转换器的模型，提供更高的精度和优化，为心血管内治疗的规划提供改进。

    Jan, 2024

  • 基于单个 2D 投影和深度监督的对比增强 CT 图像的 3D 动脉分割

    我们提出了一种新的方法，通过深度监督仅使用一个注释的 2D 投影来单独分割 3D 胰周动脉，从而减少注释工作量，并且通过将 2D 标签映射到 3D 空间并将其纳入训练，几乎消除了 3D 监督与 2D 监督之间的性能差距。

    Sep, 2023

  • 腹主动脉瘤计算机断层扫描图像的近似方法与人工智能方法的比较

    本研究评估了应用于腹主动脉瘤患者计算机断层扫描图像的两种方法：一种基于近似理论工具的确定性方法和一种基于人工智能的方法。两种方法均旨在分割基底 CT 图像，以提取主动脉血管的患区，为诊断该病理提供尿毒症造影剂的替代方案。实验结果定量和定性地比较了这两种方法的性能，表明两种模型均能得出准确的结果。

    Jun, 2024

  • 深度学习在相位对比计算机断层成像中的血管分割及应用

    自动血管分割在生物医学成像中至关重要，但由于血管结构的复杂性、患者间解剖变异、公开数据集的稀缺性和图像质量等原因，精确分割仍然具有困难。本研究通过深入文献研究，探讨机器学习技术在不同器官中的应用，旨在为新型成像模态下的血管分割提供坚实的基础并确定一个稳健的基准模型。研究使用由 Hierarchical Phase Contrast Tomography (HiP CT) 在人体器官图谱项目中成像获得的三个肾脏的双注释器验证的训练数据集，并采用 nnU Net 模型进行实验评估。结果显示，尽管分割性能表现较好（clDice 值在 0.82 到 0.88 之间），但存在一些错误，如由于缺乏静水压力（HiP CT 是一种离体技术）而导致的大血管分割效果较差，以及细小血管连接性减弱和血管边界处更高的分割误差。通过本研究和输出，我们旨在为后续基于不同成像模态的模型评估建立一个基准，特别是使用 HiP CT 成像数据库。

    Nov, 2023