NCL-SM: 人体骨骼肌活检图像的完整标注数据集
该论文中介绍了一种利用深度学习方法对人体组织进行皮肤肌炎活检的细胞自动分类和分割的方法,在细胞分类和分割方面的表现均有所提升,该方法对研究自身免疫性疾病的细胞组成有着可靠的应用前景。
Jul, 2022
本文提出了一种少样本分割框架来生成排除肌肉内脂肪(IMF)的股肌掩模,该方法以新的伪标签校正和评估方案为基础,以及一种新的噪声稳健的损失以利用高确定性区域。
Apr, 2023
提出了一种被称为MSKdeX的算法,可以通过肌肉骨骼分解库,将X射线图像分解为肌肉CT图像的投影并估算肌肉性质参数,该方法在539个患者的数据集上测试表现良好(平均皮尔森相关系数从0.46提高到0.863),对于肌肉骨骼疾病的诊断有很大的应用前景。
May, 2023
提出了一种基于物理和机器学习的框架,采用扩散加权MRI对骨骼肌进行非侵入性评估,从而准确地估计微结构组织。该算法可用于评估骨骼肌健康和功能,有望成为一种有前途的非侵入性工具。
Jun, 2023
通过训练机器学习模型,本研究提供了一套高质量的生物成像数据集,其中包含了来自健康对照组和患有遗传性肌肉病的患者的46个组织切片图像。这些图像包括超过5万个手动分割的肌肉纤维,并且经过了精细的标注和筛选,为进一步的分析提供了完全可用的数据,为自动化管道的开发奠定了基础。
Nov, 2023
这项研究使用深度学习基于分割模型来从肌肉组织显微镜图像中提取Z-盘,证明了自动化机器学习分割方法可有效应用于分割Z-盘的共聚焦显微镜图像,并可用于量化与心脏微结构有关的疾病相关变化。
Jan, 2024
我们提出了一种简单而高效的少样本微调策略,用于将Segment Anything(SAM)适应于医学图像中的解剖分割任务。我们的方法通过在SAM内对掩膜解码器进行改进,利用从有限标记图像集合(少样本收集)中导出的少样本嵌入作为查询解剖对象的提示,大大减少了需要耗时的在线用户交互。我们的方法通过只使用缓存机制训练掩膜解码器、同时保持图像编码器冻结,优先考虑了微调过程的效率。此方法不仅限于体积医学图像,而且可以普遍应用于任何2D/3D分割任务。通过对四个数据集进行全面验证,覆盖了两种模态下六个解剖分割任务。此外,我们对SAM内的不同提示选项与完全监督的nnU-Net进行了比较分析。结果表明,与仅使用点提示的SAM相比,我们的方法表现卓越(IoU提高约50%),并且与完全监督方法相媲美,同时将标记数据需求降低了至少一个数量级。
Jul, 2024
本研究解决了显微组织图像中细胞分辨与分类的复杂问题,提出了一种新型深度学习框架CISCA,旨在支持数字病理学与脑细胞构筑的深入分析。CISCA通过独特的网络架构实现对细胞的自动分割和分类,验证显示其在多样化组织类型中的出色表现,极大推动了研究的精确性与效率。
Sep, 2024
本研究针对手动分割MRI图像在身体成分分析中的劳动密集型问题,提出了一种自动化工具DAFS Express,并通过与专家手动分割的对比验证其有效性。研究结果表明,DAFS Express在SKM、VAT和SAT的自动分割中与手动分割具有高度一致性,显示其在研究和临床应用中提高影像分析效率和准确性的重要潜力。
Sep, 2024