Dec, 2023

面向 SAMBA：面向撒哈拉以南非洲人群的脑肿瘤分割的分割模型

PDF
TL;DR本研究提出了一种创新方法，将 Segment Anything Model（SAM）与投票网络相结合，用于多模态脑胶质瘤分割，并通过使用边界框指导提示（SAMBA）来适应非洲数据集的复杂性。我们的集成策略利用多种模态和视图，产生了一个稳健的共识分割，解决了肿瘤内部异质性问题。虽然扫描质量低提出了困难，但我们的方法有潜力在非洲等资源有限的环境中深远影响临床实践，改善治疗决策并推动神经肿瘤学研究。此外，未来成功应用于其他脑肿瘤类型和病变有望在神经影像学上带来更广泛的转变，改善所有环境下的医疗结果。该研究在脑肿瘤分割（BraTS）挑战非洲（BraTS-Africa）数据集上进行，该数据集为解决特定于资源有限环境，特别是非洲人口的挑战，促进了有效和更具一般性的分割算法的发展提供了宝贵资源。为了说明我们的方法的潜力，我们在 BraTS-Africa 数据集上的实验证明了令人信服的结果，其中 SAM 在二元分割和多类别分割上的 Dice 系数分别为 86.6 和 60.4。
发现论文，激发创造
  • 脑肿瘤分割的分割模型

    评估了 Segment Anything Model (SAM) 在脑肿瘤分割上的性能，发现 SAM 与目前的最先进模型之间仍存在差距。

    Sep, 2023

  • BreastSAM：超声成像乳腺肿瘤分割模型研究

    本研究重点探讨利用交互式分割算法 Segment Anything Model（SAM）进行乳腺超声影像乳腺肿瘤分割的有效性。 该研究表明 ViT_l 模型在性能指标上具有卓越表现，研究还评估了该模型在分割恶性和良性肿瘤方面的差异性能，发现其在两个类别中均表现出出色的能力。 此外，本研究还分析了体积、对比度、长宽比和复杂性等各种肿瘤特征对分割性能的影响。 研究结果为 SAM 作为乳腺超声影像乳腺肿瘤分割算法提供了有价值的见解。

    May, 2023

  • 2023 年脑肿瘤分割挑战赛：对撒哈拉以南非洲患者进行的胶质瘤分割挑战赛（BraTS-Africa）

    BraTS-Africa Challenge evaluates machine learning methods for the detection and characterization of gliomas in Sub-Saharan Africa and provides hope for the potential of computer-aided-diagnostic methods to transform healthcare in resource-limited settings.

    May, 2023

  • SkinSAM：采用任意分割模型强化皮肤癌分割

    本研究基于 HAM10000 数据集，提出 SkinSAM 模型实现皮肤癌图像自动分割，最终模型准确度较高，证明了将该模型应用于医学图像分割任务的巨大潜力。

    Apr, 2023

  • 基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

    应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

    Aug, 2023

  • 使用 CT、PET 和 MRI 多模态图像的头颈肿瘤分割模型

    本研究通过使用深度学习方法自动分割头颈部癌症的肿瘤体积，并在使用不同模态图像进行 fine-tuning 的情况下对模型性能进行评估。结果表明，在使用边界框提示的情况下，对 SAM 进行 fine-tuning 可以显著提高其分割准确度，为半自动头颈部癌症肿瘤体积分割开辟了一个有前景的途径。

    Feb, 2024

  • 缩小差距：将最先进的 U-Net 模型推广至撒哈拉以南非洲人群

    通过对不同数据集进行训练，本研究发现，在低质量数据环境下，将模型预训练于高质量神经影像数据，并在较小规模低质量数据上进行微调，可以显著提高肿瘤分割模型的性能。

    Dec, 2023

  • 基于基础模型的生物医学图像分割：综述

    最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期，我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合，特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平，但在一些方面仍存在不足，例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。

    Jan, 2024

  • 医学图像分割中的 Segment-Anything 模型（SAM）的准确性

    通过实验探究 SAM 模型对 12 个不同器官、图像模式和健康情况的医学图像数据集的精确度及其在医学图像分割方向上的应用前景，发现 SAM 模型在没有重新训练医学图像时准确度没有 U-Net 和其他深度学习模型高。

    Apr, 2023

  • 基于 SAM 的脑功能磁共振成像中的脑提取模型

    通过使用 Meta 发布的可用的全神经网络模型 SAM，本研究探讨了自动化分割算法在神经影像领域去除头骨伪影的高效性，结果表明了其潜在的应用价值。

    Jan, 2024