SpineCLUE:使用对比学习和不确定性估计的自动椎骨识别
本文提出了一种多视角 CT 图像下的脊椎定位和识别方法,将三维问题转化为不同视图上的二维定位和识别任务,通过多视角对比学习和序列损失,能够准确地在 CT 图像中定位和识别脊椎,且超过了现有方法的表现。
Jul, 2023
本研究提出一种自动定位和标记三维医学图像中椎体中心的算法,使用 DI2IN 进行初始化,使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进,最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。
May, 2017
用于 CT 扫描的自动椎骨定位和识别对于许多临床应用很重要,本论文提出了一种简单的流程,使用 U-Net 进行标准预测,然后使用单个图神经网络来关联和分类具有完整方向的椎骨,并通过引入包含骨体关联的脊柱枢等标记来测试我们的方法,展示了我们的方法优于匈牙利匹配和隐马尔可夫模型的传统方法,在标准 VerSe 挑战的骨体识别任务上也表现出有竞争力的性能。
Jul, 2023
本文提出了一种全自动的端到端三维椎体实例分割卷积神经网络模型 VertDetect,用于预测 CT 扫描中存在的所有椎体的椎体级别标签和分割,并通过使用脊柱的已知结构改善了椎体标注,取得了端到端架构的最先进性能,其设计可用于下游任务的特征提取。
Nov, 2023
通过引入一种新的数据增强技术,本研究旨在自动化脊柱肿瘤的分割和定位,利用医学影像中专家绘制的预定义掩模,结合模糊 c 均值聚类和随机森林算法的融合,实现了成功的脊柱肿瘤分割和分类,同时使用 3D 椎体分割和标注技术精确定位了腰椎肿瘤的确切位置。该方法表现出卓越的性能,获得了 99% 的肿瘤分割准确率、98% 的肿瘤分类准确率和 99% 的肿瘤定位准确率,超过了现有最先进技术的有效性,改进了脊柱肿瘤的检测和表征诊断能力,从而促进了更有效的临床决策。
May, 2024
本文介绍了一种通过迭代训练深度神经网络,采用内部指导层优化脊柱 X 光图像的方法,在准确识别物体边界的同时提高图像质量,从而显著提高 X 光成像技术的诊断准确性和疾病早期检测能力。
Jun, 2023
实现自动且鲁棒的纵向脊柱图像配准对于评估疾病进展和手术结果至关重要,本文提出了一种新颖的方法,通过深度学习模型自动定位、标记和生成三维表面,然后使用高斯混合模型表面配准实现纵向脊柱 CT 图像对齐并准确评估病变进展,实验证明该方法在 37 个椎体、5 名患者的基线和 3、6、12 个月后的随访图像上显示出了平均 Hausdorff 距离为 0.65 毫米和 Dice 分数为 0.92 的准确配准。
Feb, 2024
我们提出了一种新颖的方法,利用深度神经网络在低剂量放射影像中进行可解释的椎体骨折评估(XVFA),结合了椎体检测和不确定性定位关键点。我们将 Genant 的半定量标准作为可区分的基于规则的方式来分类椎体骨折等级和形态。与以往的工作不同,XVFA 提供了与当前临床方法相关的可解释的分类,以及不确定性估计,同时在具有挑战性的环境中,在椎体级别的敏感度达到 93%,AUC 完整性达到 97%,超过了最先进的方法。此外,我们将模型的不确定性估计与读者间的一致性进行比较,模型的可靠性与人工注释者相当。
Jul, 2024