Jan, 2024

将边缘融入 U-Net 模型并使用可解释的激活图进行脑肿瘤分割，基于 MR 图像

PDF
TL;DR通过使用边缘地面真实度的方法，与基线 U-Net 和其变种相比，边缘目标训练的模型在核心瘤区域表现良好，并且获得与 Swin U-Net 和混合 MR-U-Net 等基线最先进模型相似的性能，这些边缘训练的模型能够生成对于治疗规划有用的边缘图。此外，为了进一步解释结果，研究了混合 MR-U-Net 生成的激活图。
发现论文，激发创造
  • 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

  • 基于 U-Net 全卷积网络的自动脑肿瘤检测和分割

    本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法，该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试，并表现出良好的分割性能。

    May, 2017

  • 混合多头关注式三维 Unet 用于脑肿瘤分割

    提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

    May, 2024

  • 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

  • 训练和比较 nnU-Net 和 DeepMedic 方法用于儿童脑肿瘤自动分割

    通过多机构儿童专用多参 MRI 扫描数据训练，我们比较了两种基于深度学习的三维分割模型，即 DeepMedic 和 nnU-Net，在脑肿瘤分割方面的性能，结果显示儿童专用数据训练的 nnU-Net 模型在整个肿瘤及亚区域分割方面优于 DeepMedic。

    Jan, 2024

  • 基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

    基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

    Mar, 2024

  • 智能医学图像分析中的多尺度图像融合系统探索

    这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

    May, 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

  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。

    Dec, 2023

  • 注意力增强的混合特征聚合网络用于三维脑肿瘤分割

    基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。

    Mar, 2024