Oct, 2023

MRI 脑肿瘤分割基于信息特征向量和核字典学习

PDF
TL;DR基于核字典学习算法的方法用于在磁共振图像中分割脑瘤区域，通过提取大小为 3*3 的图像块周围像素的一阶和二阶统计特征向量，训练两个分别用于健康和肿瘤组织的核字典，并通过基于相关性的样本选择技术，选择了最具信息和辨别力的特征向量子集，进而利用线性分类器根据学到的字典对健康和不健康像素进行区分，实验证明该方法在分割精度上优于其他现有方法，并显著减少了训练所需的时间和内存，从而实现了极快的训练过程。
brain tumor segmentationmagnetic resonance imagesdictionary learning algorithmkernel dictionariescorrelation-based sample selection
发现论文，激发创造
  • 智能医学图像分析中的多尺度图像融合系统探索

    这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

    May, 2024

  • 基于 fMRI 的大脑状态推断的监督聚类方法

    提出一种基于多个脑区功能磁共振成像信号的预测方法，通过引入层次聚类和特征聚合实现降维，从而提高了预测准确性，并推断了与回归或分类任务相关的脑区的权重分配。

    Apr, 2011

  • 基于深度学习的脑肿瘤分类和分割

    该论文提出了一个基于机器学习的系统，通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。

    Apr, 2023

  • 基于纹理特征分析的 mpMRI 早期前列腺癌分类

    磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。

    Jun, 2024

  • 基于原型驱动和多专家集成的多模态 MR 脑肿瘤图像分割

    提出了一种带有肿瘤原型驱动和多专家集成的多模式磁共振脑肿瘤分割方法，利用原型突出每个肿瘤亚区的特征并生成相应的激活图，进而提高分割性能。

    Jul, 2023

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

    Apr, 2023

  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。

    Dec, 2023

  • 大规模无监督深度表示学习在脑结构方面的应用

    本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示，不需手动干预或前提领域知识，该方法表现出与 FreeSurfer 特征一致的分类任务性能，并可用于重建脑部图像。

    May, 2018

  • 具有 SIBOW-SVM 的鲁棒脑 MRI 图像分类

    本文提出了一种名为 SIBOW-SVM 的新型脑肿瘤图像分类方法，该方法将 BoF 模型与 SIFT 特征提取和加权支持向量机相结合，有效捕捉隐藏的图像特征，实现不同肿瘤类型的区分和准确的标签预测，并能够估计图像属于每个类别的概率，从而提供高置信度的分类决策。通过将 SIBOW-SVM 应用于包含四个类别的脑肿瘤 MRI 图像的公共数据集，结果表明该方法优于包括 CNN 在内的最先进方法。

    Nov, 2023