基于多平面 UNet 的全自动脑 MRI 数据肿瘤分割
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
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
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
该研究基于磁共振成像技术(MRI)模态,采用深度学习技术和创新的集成方法,成功实现了对儿童脑肿瘤的精确分割模型,具有提高诊断准确性和有效治疗策划的潜力。
Aug, 2023
本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型,该模型结合了图像串行化和位置注意力模块,旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位,并在肝脏肿瘤分割挑战中表现出优异的性能。
Jul, 2023
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
本文提出了一种改进的 UNet 结构,称为 SLCA UNet,它结合了残差密集块、分层注意力和通道注意力模块,以及堆叠卷积。在脑肿瘤分割上,该方法在 BraTS 2020 数据集上表现良好,平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。
Jul, 2023
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
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
本文提出了一种基于 3D 注意力的 U-Net 架构,用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度,从而减少了对健康组织的侧重和突出了恶性组织,提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估,证明其在精度上优于其他方法。实验结果表明,该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力,有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。
May, 2023