Nov, 2023

Syn3DWound: 用于 3D 创面床分析的合成数据集

PDF
TL;DR创伤管理对于卧床患者和老年人尤为具有挑战性。现代图像分析对准确的诊断和伤口愈合监测具有重要意义，能提供准确而精确的伤口测量结果。尽管存在多种技术，但广泛而多样的训练数据集的缺乏仍然是构建基于机器学习框架的重要障碍。本文介绍了 Syn3DWound，这是一个开放源代码的高保真模拟伤口数据集，具有 2D 和 3D 注释。我们提出了基线方法和用于自动化 3D 形态测量分析和 2D/3D 伤口分割的基准测试框架。
发现论文，激发创造
  • DermSynth3D：野外标注皮肤科图像的合成

    本研究提出了一种名为 DermSynth3D 的新型框架，它将皮肤病模式与人类主体的 3D 网格相融合，并使用可微分渲染器从不同的摄像机视点在各种背景场景下生成 2D 图像。DermSynth3D 可以为各种皮肤病学任务创建自定义数据集，该数据集在训练深度学习模型时表现良好。

    May, 2023

  • 用于 3D 心肌变形分析的合成数据生成

    提出了一种合成数据生成方法，用于丰富心血管影像数据集，包括关键的地面真实光流注释，以克服高分辨率 CT 数据集稀缺性带来的限制，从而促进精确可靠的心肌变形分析算法在临床应用和诊断中的发展。

    Jun, 2024

  • M3Dsynth：具有 AI 生成的局部操作的医疗 3D 图像数据集

    研究了医学图像中操纵内容的侦测问题，提出了一个大型数据集 M3Dsynth，并展示了该数据集对于训练侦测器在各种情况下具有良好的泛化能力。

    Sep, 2023

  • 利用深度卷积神经网络进行完全自动化的伤口分割

    基于 MobileNetV2 和联通区域标记的卷积框架可以对自然图像中的伤口区域进行有效的分割，为伤口的面积测量和定量参数提供重要的诊断和治疗信息。

    Oct, 2020

  • 基于自动分割和创面脸部再生方法的 3D 面部填充提取技术进展

    本研究提出了一种基于二流图卷积网络的自动 3D 面部创口分割方法，可应用于医学预操作规划及优化患者结果；该方法使用 Cir3D-FaIR 数据集对数据失衡进行了广泛的实验，并基于测试套件获得了出色的 3D 面部伤口填充精度，同时提出了改进方法，并采用 3D 打印技术，可协助诊断和优化手术，并发展使用机器学习和 3D 生物打印制造皮肤组织植入物。

    Jul, 2023

  • 生成增强三维医学影像

    GEM-3D 是一种基于条件扩散模型的新型生成方法，通过将 3D 医学图像分解为掩模和患者信息，从现有数据集中生成不同变化的高质量 3D 医学图像，实现了数据集的增强。

    Mar, 2024

  • 稳健的笔画分割的综合数据

    深度学习在神经影像学中的语义分割目前需要高分辨率扫描和大型标注数据集，给临床适用性带来了显著障碍。本文提出了一种新颖的合成框架，用于病灶分割任务，扩展了现有的 SynthSeg 方法的能力，以适应具有大型异质病理的病灶特定增强策略。我们的方法使用从健康和中风数据集导出的标签图来训练深度学习模型，在没有特定序列训练数据的情况下，实现了对健康组织和病理病变的分割。在领域内和领域外（OOD）数据集的评估中，我们的框架展示出稳定的性能，在培训领域内与当前方法相媲美，在 OOD 数据上明显优于它们。这一贡献有望推动临床环境中医学影像分析的进展，特别是针对中风病理学，通过在不同的成像序列上实现可靠的分割，减少对大型标注数据的依赖。代码和权重可在此网址获得: https://URL

    Apr, 2024

  • 利用深度学习进行糖尿病足溃疡图像的伤口组织分割：一项初步研究

    为了解决糖尿病足溃疡（DFU）图像中组织分割的挑战，作者创建了一个名为 DFUTissue 的数据集，其中包含由伤口专家标记的 110 张图像和 600 张未标记的图像。作者提出了一个混合模型，采用了深度学习方法，并结合了半监督学习的方法进行 DFU 伤口组织的分割。通过与现有方法的比较评估，该模型在 DFU 伤口区域的二值分割中取得了 92.99% 的 Dice 相似系数。

    Jun, 2024

  • Syn-Mediverse: 医疗设施智能场景理解的多模态合成数据集

    通过建立综合医疗设施的超逼真多模态合成数据集，揭示了下一代自主医疗机器人在感知和理解复杂的环境方面的能力，并提供了一个在线评估基准，旨在进一步推动对医疗设施场景理解的研究。

    Aug, 2023

  • Deepwound：通过卷积神经网络自动进行术后创口评估和手术部位监测

    本研究旨在通过利用卷积神经网络完成外科手术创面分类的任务，并提出了一种多标签 CNN 集成算法 Deepwound，该算法能够通过图像像素和相应标签，准确地识别手术创面的九种状态，包括引流、纤维性渗出物、肉芽组织、手术部位感染、裸露伤口、钉子、医用绷带和缝线等。同时，本研究还展示了一种基于智能手机的移动应用前端 Deepwound，可以方便地跟踪患者的创面和手术恢复。

    Jul, 2018