Jan, 2024

增强的 CT 图像肌肉和脂肪分割用于身体构成分析：一项比较研究

PDF
TL;DR通过比较我们的内部工具和 TotalSegmentator 的测量结果，研究表明我们的工具在测量皮下脂肪和肌肉方面表现优于 TotalSegmentator，并且在内脏脂肪的分割方面两种工具之间存在可靠的一致性。这些结果显示了我们的工具在提高人体组成分析的准确性方面的潜力。
body composition measurementsabdominal ctmuscle and fat segmentationsubcutaneous fatvisceral fat
发现论文，激发创造
  • Comp2Comp: 开源计算机断层扫描身体成分评估

    本文介绍了一个基于 Python 的开源软件 Comp2Comp，用于从 CT 扫描中快速、自动分析测量人体的体成分数据，目前计算了腹部 CT 扫描的骨骼肌、内脏脂肪组织和皮下脂肪组织的身体成分数据，并提供了两个流程算法来计算 T12 - L5 椎体水平和用户指定的 2D 轴向切片。

    Feb, 2023

  • 使用图神经网络进行表面网格的体脂估算

    使用图神经网络可以准确预测腹部内脏脂肪组织和腹部皮下脂肪组织的体积，相较于最先进的卷积神经网络，减少了训练时间和所需资源，也可以应用于廉价且易于获取的医学表面扫描替代昂贵的医学图像。

    Jul, 2023

  • MRISegmentator-Abdomen: T1 加权腹部 MRI 的全自动多器官和结构分割工具

    提出了一种名为 MRISegmentator 的 T1 加权腹部 MRI 序列的自动、准确和可靠的 62 个脏器和结构的分割工具，具有加速疾病诊断、放射治疗和异常检测等临床研究的潜力。

    May, 2024

  • 肌肉体积量化：以解剖先验指导变形器

    运用卷积和可视化变换器块的混合架构进行肌肉分割，利用解剖先验规则加强预测性能，并对 18 个下肢肌肉进行形态分析。

    Oct, 2023

  • 医学成像中的分割质量与体积准确性

    当前的医学图像分割依赖于基于区域（Dice，F1 得分）和基于边界（Hausdorff 距离，表面距离）的度量标准作为事实标准。本论文通过使用相对体积预测误差（vpe）来直接评估分割任务中体积预测的准确性，集成了理论分析和多样数据集的实证验证。研究发现，将体积预测准确性纳入分割评估中起到了关键作用，这使得临床医生在真实医疗场景中更准确理解分割性能，进而提升了这些度量标准的解释性和效用。

    Apr, 2024

  • 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

  • T1 加权 MRI 精确少样本无脂肪股肌分割

    本文提出了一种少样本分割框架来生成排除肌肉内脂肪 (IMF) 的股肌掩模，该方法以新的伪标签校正和评估方案为基础，以及一种新的噪声稳健的损失以利用高确定性区域。

    Apr, 2023

  • 腹部 CT 扫描腹水的深度学习分割用于自动体积量化

    用于肝硬化和卵巢癌患者中检测腹水并量化其体积的自动化深度学习方法表现良好。

    Jun, 2024

  • MSKdeX：从 X 光图像中进行肌肉骨骼分解，精细估计瘦体肌肉量和肌肉体积

    提出了一种被称为 MSKdeX 的算法，可以通过肌肉骨骼分解库，将 X 射线图像分解为肌肉 CT 图像的投影并估算肌肉性质参数，该方法在 539 个患者的数据集上测试表现良好（平均皮尔森相关系数从 0.46 提高到 0.863），对于肌肉骨骼疾病的诊断有很大的应用前景。

    May, 2023

  • 使用深度学习进行大规模多中心 CT 和 MRI 胰腺分割

    我们收集了一系列来自五个中心的大规模 MRI 扫描数据集，并开发了一种名为 PanSegNet 的新的胰腺分割方法，其在交叉模态和交叉中心设置下的 Dice 系数分别达到了 88.3%（使用 CT），85.0%（使用 T1W MRI）和 86.3%（使用 T2W MRI）。

    May, 2024