Nov, 2023

AeroPath: 具有具有挑战性病理学的气道分割基准数据集

PDF
TL;DR为了改善患者的预后，尤其是肺癌患者，早期诊断和治疗至关重要。本研究提出了一个新的公共基准数据集（AeroPath），包含 27 个 CT 图像，患者的病理范围从气肿到大肿瘤，以及相应的气管和支气管标注。同时，我们提出了一种多尺度融合设计的自动气道分割方法，并在 ATM'22 数据集上进行了训练和测试，并与竞争性开源方法进行了评估。结果表明，该方法对包括有挑战性的病理范围的患者进行了正确的分割预测，并能处理至少第五代气道的各种异常情况。AeroPath 数据集和网络应用程序已公开提供。
pulmonary diseasesct imagesairway segmentationpathologiesaeropath dataset
发现论文，激发创造
  • 基于解剖多类别分割和拓扑导向迭代学习的 CT 扫描精确气道分割

    本文提出了一种基于解剖学感知的多类气道分割方法，通过拓扑引导的自学习方法和断裂注意力图生成伪标签，能够完整地分割气道树，适用于慢性阻塞性肺疾病、哮喘和肺癌等呼吸系统疾病的分析。

    Jun, 2023

  • 基于数据的深度学习方法的气道分割

    通过数据中心的深度学习技术和集成学习策略，我们的方法在空气道分割任务中表现出色，突显了空气道树异常、诊断和疾病特征化的重要性。

    Jul, 2023

  • NaviAirway：基于深度学习的支气管敏感性气道分割流水线

    提出了一种用于医学图像分析中，基于深度学习的肺气道分割方法 NaviAirway，该方法采取了支气管特异性损失函数和人视感迭代训练策略，细分支气管，提升模型性能，可用于支气管镜导航、肺部疾病诊断等领域，并通过提出两个新的评价指标，更全面公正地评估基于深度学习的肺气道分割方法。

    Mar, 2022

  • 寻找肺纤维化的成像生物标志物：AIIB23 挑战的基准

    通过 AIIB23 竞赛，研究者们探索了在肺纤维化病人的肺组织中提取气道树的能力，并发现了强相关的基于气道的生物标志物，与现有的临床测量、临床医生评估和基于人工智能的生物标志物相比，其预后预测能力更强。

    Dec, 2023

  • 通过隐式点 - 图网络实现肺部树结构的高效解剖标注

    肺部疾病是世界范围内主要死亡原因之一，为了治愈这些疾病，需要对肺部系统内的许多复杂的 3D 树状结构（如气道、动脉和静脉）有更好的理解。本文介绍了一种基于点云的方法，可以在低计算成本下保留树骨架的图连通性并结合隐式表面表示，提供了最先进的准确性和可用的模型表面，并通过一个大型数据集对该方法进行了评估并将其公开。

    Sep, 2023

  • 肺部气管和血管的拓扑修复：基线和数据集

    提出一种基于深度学习的后处理方法，通过关键点检测任务修复肺部管状结构的连接性问题，解决当前深度学习方法在肺部病理诊断中的实用性问题。新的肺部树修复数据集（PTR）包括 800 个完整的三维肺部结构模型，可公开获取。

    Jun, 2023

  • 更具特定性：一种基于 3D U-Net 及其变型的新型基于不确定性的气道分割应用

    本文提出了两种不同的网络结构 Branch-Level U-Net (B-UNet) 和 Branch-Level CE-UNet (B-CE-UNet)，它们基于 U-Net 结构，并比较了相同数据集的预测结果。特别地，这两种网络都添加了分支损失和中央线损失，以学习气道的精细分支末端的特征。此外，还包括不确定性估计算法来获得自信的预测结果，从而增加整个模型的可靠性。此外，在后处理过程中，根据最大连接率计算和提取了基于肺气管的预测结果，以进行分割的细化和修剪。

    Feb, 2024

  • 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

  • 用于胸部 CT 中多器官分割的二维扩张残差 U-Net

    本研究提出了一种深度学习框架，用于在胸部 CT 图像中分割器官的关键部分，包括心脏、食管、气管和主动脉，该方法采用扩张卷积和聚合残差连接，在网络的瓶颈处融入全局上下文和密集信息的 U-Net 风格网络，取得了 ISBI 2019 SegTHOR 挑战赛上 20 张未见过的测试样本中总的 Dice 得分为 91.57% 的优异表现。

    May, 2019

  • 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