Dec, 2023

探索用于 MICCAI 2023 肾脏与肿瘤分割挑战的 3D U-Net 训练配置和后处理策略

PDF
TL;DR探索了在 CT 图像中精确分割肾脏、囊肿和肾肿瘤的各种 3D U-Net 训练配置和有效后处理策略，并通过 2023 肾脏和肾肿瘤分割（KiTS23）挑战数据集的验证，在未见过的测试数据上取得了第二名的最终排名，平均 Dice 系数为 0.820，平均 Surface Dice 系数为 0.712。
发现论文，激发创造
  • 对比增强 CT 成像中肾脏和肾瘤分割的最新技术：KiTS19 挑战的结果

    本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

    Dec, 2019

  • 胸腹部 CT 扫描中的肾脏异常分割

    使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

    Sep, 2023

  • 一个基于 2.5D ResUnet 模型的肾脏和肿块分割集成

    研究中采用 2.5D ResUnet 构建一个高效的粗到细语义分割框架，对 CT 扫描中的肾脏、肾脏肿瘤和肾囊肿进行自动分割。实验结果表明，肾脏、肿瘤和囊肿的 Dice 系数分别为 0.954、0.792、0.691，表面 Dice 系数分别为 0.897、0.591、0.541，平均每个 CT 扫描的推断时间为 20.65 秒，最大 GPU 内存为 3525MB，这表明在模型性能和效率之间取得了更好的平衡。

    Nov, 2023

  • KiTS19 挑战赛数据：300 例肾肿瘤病例的临床背景、CT 语义分割和手术结果

    本研究提出了一个基于自动语义分割的肾脏和肾脏肿瘤形态学特征检测方法，并建立了覆盖肾性肿瘤磨损模式的数据集，通过这个数据集开展肾性肿瘤分割的任务以提高磨损模式分析效率。

    Mar, 2019

  • 使用边界感知网络进行三维肾脏及肾肿瘤的语义分割

    本研究提出了一种基于卷积神经网络的肾和肾肿瘤分割方法，通过设计边界分支和边缘感知损失函数，可靠地从腹部 3D CT 扫描中分割肾脏和肾肿瘤，并在 2019 MICCAI KiTS 肾肿瘤分割挑战数据集上实现了出色的分割效果。

    Sep, 2019

  • MICCAI KiTS 2023 挑战中肾脏和肿瘤的自动化 3D 分割

    KiTS 2023 挑战是一个平台，让研究人员比较他们对三维 CT 图像的分割解决方案。本研究描述并使用 MONAI 中的自动化分割工具 Auto3DSeg 参与挑战，我们的解决方案平均 Dice 系数为 0.835，表面 Dice 系数为 0.723，排名第一并赢得了 KiTS 2023 挑战。

    Oct, 2023

  • KiTS21 挑战赛：基于皮质 - 髓质期 CT 图像的肾脏、肾肿瘤和肾囊肿自动分割

    本文介绍 2021 年肾脏和肾脏肿瘤分割挑战 (KiTS21) 的挑战报告，该挑战目的是针对医学图像计算和计算机辅助干预领域的肾肿瘤分割进行不断改进和提高，以提供有用的见解。

    Jul, 2023

  • 非对比增强计算机断层扫描自动小肾癌检测

    该研究介绍了一种用于非对比度计算机断层扫描 (Non-contrast computed tomography, NCCT) 中肾癌检测的自动化流程，通过测试三种检测模型：形状模型、二维及三维轴向样本模型，从开放数据源和剑桥大学医院收集训练和测试数据，结果显示二维轴向样本模型在小于等于 40mm 直径肿瘤的检测中具有最高的曲线下面积 (Area Under the Curve, AUC) 达到 0.804；该流程在未知测试数据上对小型肾癌实现了 61.9% 的敏感性和 92.7% 的特异性。该流程比以往自动检测 NCCT 中小型肾癌的尝试更为准确，为肾癌筛查提供了有希望的突破。

    Nov, 2023

  • 使用卷积神经网络自动分割非增强 CT 上的肾脏和囊性肾病变

    实施和训练深度学习模型以从非对比度 CT 扫描中分割肾脏和囊性肾病变，该模型能够提供高度准确的分割，肾脏的中值 Dice 相似系数为 0.934。

    May, 2024

  • 使用突起检测网络在非对比度 CT 图像上分割肾肿瘤

    本文介绍了一种新颖的框架，可以明确捕捉肾脏中的突出区域，以实现对肾脏肿瘤的更好分割，并在公开的 KiTS19 数据集上进行了评估。实验结果表明，与 3D-UNet 相比，该方法在 NCCT 图像上实现了更高的 Dice 得分（0.615 + 0.097）和敏感性（0.721 + 0.103）。据我们所知，这是第一个专门设计用于 NCCT 图像上的肾脏肿瘤分割的深度学习方法。

    Dec, 2023