Oct, 2023

临床指南驱动的自动线性特征提取用于听神经鞘瘤

PDF
TL;DR通过深度学习和分割算法自动化提取临床特征，构建了一个视觉指南和相关指标工具，帮助临床医生提高诊断脑肿瘤患者的决策能力。
vestibular schwannomadeep learningsegmentationtumour progressionautomated measurements
发现论文，激发创造
  • 基于深度空间关注和硬度加权损失的 T2 加权 MRI 听神经瘤自动分割

    介绍了一种应用于 vestibular schwannoma MRI 图像的 2.5D 卷积神经网络，该网络利用了所应用成像协议中不同的平面分辨率，使其精度和鲁棒性得到提升，并通过引入注意力机制以及权重逐渐递增的 Dice 损失函数对其进行了优化。实验表明，该方法能有效提高分割精度，为患者管理提供了重要参考。

    Jun, 2019

  • 基于纵向 MRI 的前庭神经瘤生长预测：时间条件下的神经场

    介绍了一种利用深度学习方法进行肿瘤生长预测的技术，采用神经场和循环神经网络，并通过时间编码策略实现对肿瘤形状的预测。在实验中，模型表现出显著改进，特别是对于生长或缩小最为明显的肿瘤。

    Apr, 2024

  • 一种用于分割前庭神经瘤和耳蜗的三维多样式跨模态分割框架

    本文提出了一种针对 crossMoDA2023 挑战的三维多样式跨模态分割框架，通过多种图像转换和自我训练分割阶段，实现对未标记 hrT2 扫描中的前庭神经瘤（分为颅内和颅外组分）以及耳蜗区域的分割，并借助标记的 ceT1 扫描实现。

    Nov, 2023

  • 基于深度学习的嗜铬细胞瘤自动分割用于生长监测

    通过基于深度学习分割模型使用 nnUNet 的自动肿瘤体积测量方法，我们证明了此方法与手动描绘至少相等，同时展示了额外体积测量如何影响已知生长函数的拟合。

    Mar, 2024

  • 多视角交叉模态 MR 图像转换用于前庭神经鞘瘤和耳蜗分割

    本研究提出一种多视角图像翻译框架，通过使用像素级一致性约束和补丁级对比约束的两个图像转换模型，将增强对比度的 T1MRI 图像翻译成高分辨率 T2MRI 图像，为无监督前庭神经鞘瘤和耳蜗分割提供伪高分辨率的 T2MRI 图像，并通过实验证明该方法在前庭神经鞘瘤和耳蜗分割方面具有出色的性能表现。

    Mar, 2023

  • MS-MT: 用于跨模态前庭神经瘤和耳蜗分割的多尺度平均教师和对比非配对翻译

    提出了一种基于多尺度自组装的无监督领域自适应 (UDA) 框架，用于高分辨率 T2 影像上的自动分割 Vestibular Schwannoma (VS) 和 Cochlea。该方法结合了对比无对应图像翻译，多尺度深度监督和一致性规范化，自我训练和强化强化等技术，证明其在跨模态分割性能上具有很大的应用价值。

    Mar, 2023

  • 基于细粒度无监督跨模态域自适应的前庭神经瘤分割

    引入细粒度无监督框架以实现跨模态的前庭神经硬膜瘤和耳蜗分割，通过使用向量控制生成器并应用多样增强技术来提高分割模型的性能和鲁棒性。在 CrossMoDA 验证阶段排行榜上，我们的方法分别在前庭神经硬膜瘤和耳蜗上得到了 0.765 和 0.836 的平均 Dice 得分。

    Nov, 2023

  • 2023 年 BraTS 颅内脑膜瘤分割挑战的分析

    BraTS 2023 颅内脑膜瘤分割挑战报告了九个参赛队伍使用来自迄今为止最大的多机构系统化专家注释的多标签多序列脑膜瘤 MRI 数据集进行深度学习自动分割模型开发的结果，评估指标包括 dice 相似系数和 95% Hausdorff 距离，并提供了未来手术前脑膜瘤自动分割算法的最新基准。

    May, 2024

  • 利用磁共振成像和数据包含的机器学习算法量化胶质母细胞瘤的肿瘤内遗传异质性，以实现精准医学

    使用 MRI 和弱监督序数支持向量机 (WSO-SVM) 实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测，为个体化肿瘤治疗提供信息。

    Dec, 2023

  • 术后胶质母细胞瘤分割：基于深度卷积神经网络的完全自动化流程的开发及与当前可用模型的比较

    准确评估肿瘤切除是管理胶质母细胞瘤的关键。我们使用 MRI 扫描和神经网络开发了一个流程，可以在术后图像中分割肿瘤亚区域和手术空腔。我们的模型在准确分类切除程度方面表现出色，为临床医生评估治疗效果提供了有价值的工具。

    Apr, 2024