Nov, 2023

突破癌症视界：使用深度学习进行多机构验证的乳腺 MRI 对象定位和 3D 语义分割

PDF
TL;DR通过利用组织间的相互作用，我们提出了一种方法，通过标准护理的动态增强磁共振成像，准确地分割乳房中的所有主要组织类型，包括：胸壁、皮肤、脂肪组织、纤维腺组织、血管和肿瘤；我们的方法在肿瘤分割上取得了卓越的 Dice 指数，同时在其他研究的组织上保持了竞争性能；通过集成多个相关的肿瘤周围组织，我们的工作可以在乳腺癌分期、预后和手术规划等临床应用中发挥作用。
发现论文，激发创造
  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024

  • 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

  • 迈向乳腺 X 线摄影图像的自动语义分割

    通过深度学习框架，我们在常规乳腺 X 线照片上提出了一个大型私有化分割数据集，并进行了大量实验以考虑不同的深度学习模型结构，从而准确地分割了乳头、胸肌、纤维腺体组织和脂肪组织，展示了该框架可以整合到临床实践中。

    Jul, 2023

  • 增强乳腺癌分割和识别的多注意力集成深度学习框架

    本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

    Jul, 2024

  • A2DMN: 解剖感知扩展多尺度网络用于乳腺超声语义分割

    通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

    Mar, 2024

  • 脑肿瘤分割的处理和迁移学习的优化框架

    基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

    Feb, 2024

  • 使用深度学习在 CT 和 MRI 上对软组织肿瘤进行最小交互分割

    我们开发了一种最少交互的基于深度学习的肿瘤分割方法来有效地在 CT 和 MRI 上分割不同类型的软组织肿瘤，具有对之前未见过的表型和成像模式的稳健泛化能力。

    Feb, 2024

  • 基于深度学习的 PET/CT 体积中肿瘤的分割：不同架构和训练策略的基准

    癌症诊断的深度学习神经网络架构与训练策略在自动切割 PET/CT 图像中的应用，取得了良好的效果，为精确的肿瘤学诊断和更有针对性、有效的癌症评估技术的发展做出了贡献。

    Apr, 2024

  • BC-MRI-SEG：乳腺癌 MRI 肿瘤分割基准

    基于公开可用的磁共振成像 (MRI) 数据集，提出了一个基准 (BC-MRI-SEG) 来进行二元乳腺癌肿瘤分割，其中包括四个数据集，其中两个用于监督式训练和评估，两个用于无样本评估，并在基准上比较了最先进的方法，并提供了可用的公共乳腺癌 MRI 数据集的详细列表。

    Apr, 2024

  • 癌症检测中的多模态医学影像深度学习调查

    通过深度学习，本文调查了逾 150 篇研究，主要关注使用深度学习的多模态癌症检测的数据集以及解决各种挑战的方案，如数据注释、类别差异、小规模损伤和遮挡等。同时概述了每种方法的优点和缺陷，并讨论了当前工作范畴以及未来多模态癌症检测的发展方向。

    Dec, 2023