Dec, 2023

利用公开未标记数据的好处：基于 Frangi 滤波的预训练 3D 脑血管分割网络

PDF
TL;DR通过利用未标记的数据和基于 Frangi 滤波的预处理策略，本研究构建了迄今为止规模最大的预处理未标记 TOF-MRA 数据集 (1510 个对象)，有效地实现了 3D 脑血管的分割，提高了模型性能，相对于现有的半监督和自监督方法还有约 3% 的改进。
cerebrovascular segmentationtime-of-flight magnetic resonance angiographyunlabeled datafrangi filteringpretraining strategy
发现论文，激发创造
  • 基于大规模未标注数据预训练的基础模型用于三维医学图像分割

    本研究提出了一种名为 Volume Fusion (VF) 的自监督学习策略，结合多个随机补丁，采用预定义的融合系数融合前景子卷和背景子卷，无需手动注释地预训练 3D CT 体数据的分割模型，结果表明该方法表现优于其他基于自监督训练和分割模型的方法。

    Jun, 2023

  • CV-Attention UNet：基于注意力机制的 3D 脑血管增强 TOF-MRA 图像分割

    通过使用时飞磁共振血管成像等技术，本文提出了 3D 脑血管关注 UNet 方法，并通过交叉验证和标注数据验证了其在精确识别脑血管结构方面的优越性。

    Nov, 2023

  • 使用 3D 聚焦调制 UNet 进行颅内动脉瘤的弱监督分割

    使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

    Aug, 2023

  • 建模未标记数据的概率分布，用于一次性医学图像分割

    本文提出了一种数据增强方法，使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像，以帮助改进仅利用极少标记数据的医学影像分割性能，同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。

    Feb, 2021

  • A2V：一种基于半监督领域自适应框架的脑血管分割方法 —— 通过两阶段训练进行血管透视图到静脉呈像的转换

    基于半监督域自适应的脑血管分割方法，通过图像到图像的转换和语义分割，利用一个分离和语义丰富的潜在空间来表示异构数据并在不同模态之间进行图像级别的自适应，实现了高效且稳定的模型训练，并在不同模态下取得了同源领域最佳性能与目标领域 8.9% 的 Dice 值差距，具有可靠的脑血管图像分割潜力。

    Sep, 2023

  • JoB-VS: TOF-MRA 图像中的联合脑血管分割

    我们提出了第一个联合任务学习框架，用于从 TOF-MRA 图像中进行脑部和血管分割。该方法采用网格结构，同时预测脑部和血管掩模，并使用对抗样本进行数据增强，取得了良好的分割结果。

    Apr, 2023

  • 利用频域学习进行三维血管分割

    冠状微血管疾病的风险对人类健康构成了重大威胁。通过计算机辅助分析和诊断系统，医学专业人员可以在疾病进展的早期进行干预，而 3D 血管分割作为关键组成部分。我们利用傅立叶域学习作为 3D 分层分割模型中多尺度卷积核的替代方法，既可以降低计算负荷，又能保持网络内的全局感受野。此外，设计了一个零参数频域融合方法来改进 U-Net 架构中的跳过连接。在一个公共数据集和一个内部数据集上的实验结果表明，我们的新颖傅立叶变换基于网络在管状血管分割任务中取得了显著的骰子性能（ASACA500 上达到 84.37％，ImageCAS 上达到 80.32％），同时还大大减少了计算需求，而不损害全局感受野。

    Jan, 2024

  • 基于深度学习的胎儿脑 MRI 无监督分割及级联配准

    基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

    Jul, 2023

  • 基于深度神经网络的改进动脉瘤分割和检测的血管合成模型

    我们提出了一种完整的合成模型，能够模拟脑血管树的各个组成部分，以及使用三维卷积神经网络（CNN）对各种血管疾病进行分割或检测 / 识别提供了实质性的大脑动脉数据集。在这项研究中，我们特别关注颅内动脉瘤（ICA）的检测和分割，并通过合成血管模型进行了细致的描述、ICA 分割和检测的神经网络构建，并最终对合成模型数据增强所获得的性能差距进行了深入评估。

    Mar, 2024

  • 学习得到的局部注意力图用于合成血管分割

    用 T2 磁共振成像合成大脑 Willis 环的主要脑动脉分割的编码器 - 解码器模型，其根据 T2 磁共振成像提取相关信息，与现有模型相比，产生具有更高分辨率的 Willis 环血管分割。

    Aug, 2023