Nov, 2023

人工智能在胎儿静息状态功能性磁共振成像脑分割中的比较分析：3D UNet、VNet 和 HighRes-Net 模型

PDF
TL;DR该研究介绍了一种新的人工智能应用于胎儿脑功能磁共振成像 (fMRI) 的大脑分割自动化方法，并对不同 AI 模型在胎儿 fMRI 大脑分割中的性能进行了评估和分析。
fetal resting-state functional magnetic resonance imagingbrain segmentationartificial intelligencefetal brain fmriai models
发现论文，激发创造
  • 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

  • 基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

    基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

    Mar, 2024

  • 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

  • 使用胎儿组织注释数据集的自动多组织人类胎儿大脑分割基准测试

    提供了一个公开可用的病理和非病理胎儿磁共振脑体积重建的数据库，覆盖 20 至 33 周的不同孕龄和 7 个不同的组织类别，以及对多种自动多组织分割算法准确性的量化评估。

    Oct, 2020

  • 基于深度学习的胎儿脑 MRI 无监督分割及级联配准

    基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

    Jul, 2023

  • 评估 MRI 容积测量中 AI 与非 AI 方法对帕金森综合征诊断的比较验证

    本文研究了使用深度学习模型在脑磁共振成像的分割和体积测量方面的性能，结果表明深度学习可以显著降低分析时间而不影响分割性能，并提供更好的疾病分类准确性。

    Jul, 2022

  • 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

  • Fetal-BET: 胎儿 MRI 脑部图像提取工具

    使用大规模注释数据集，结合 U-Net 风格结构、注意力机制、多对比度特征学习和数据增强，开发验证了准确、高效、具有普适性的自动胎儿脑提取深度学习方法。

    Oct, 2023

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • 利用深度分离卷积和注意力机制增强广义胎儿脑磁共振图像分割的级连网络

    提出了一种名为 CasUNext 的级联网络，用于提高胎儿脑 MRI 分割的准确性和泛化性，评估结果表明 CasUNext 在不同情景下取得了改进的分割性能，对于处理多视角胎儿 MRI 和异常情况具有很大潜力。

    May, 2024