Jan, 2024

DeepThalamus: 从多模态超高分辨率 MRI 自动分割脑丘核的新颖深度学习方法

PDF
TL;DR本研究设计并实现了一个多模态体积深度神经网络，用于超高分辨率（0.125 mm3）下丘脑核的分割，并与其他方法进行了比较，在分割质量和效率方面表现出竞争力。
thalamusneurological pathologiesvolumetric analysisdeep neural networksegmentation
发现论文，激发创造
  • 联合结构和扩散 MRI 进行丘脑核的领域不可知分割

    该研究提出了一种使用卷积神经网络（CNN）从任意分辨率的 T1 和扩散数据中区分丘脑核的方法，该方法基于一种公共组织学图谱和高质量扩散数据的银标准分割工具，并可应用于不同来源的数据集。

    May, 2023

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • 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

  • 针对神经退行性疾病的结构病理相关定量分析的高分辨率 7T 体外 MRI 自动化深度学习分割

    本研究旨在解决自动化识别 ex vivo MRI 中人类大脑皮质和亚皮质结构、白质异常的问题，我们设计了一个基于深度学习的模型，基于高分辨率数据进行训练和测试，并结合脑病理学的定量评估，通过测量体积和局部皮层厚度来诊断和研究各种脑部疾病。

    Mar, 2023

  • 用于分割模型训练的下丘脑及其子区域的高分辨率分割

    通过使用合成图像构建的标签图，我们提供了一个由高分辨率离体磁共振成像构成的数据集，该数据集可以用于开发使用合成数据的脑结构分割方法。

    Jun, 2024

  • 可扩展的多模态卷积网络用于脑肿瘤分割

    提出了一种新颖的可扩展多模式深度学习架构，利用新的嵌套结构，以显式利用跨模态或模式内深度特征，促使早期层结构化和稀疏化以使最终架构可扩展到多种模态， 并对脑肿瘤分割进行评估，显示其相对于传统连接方法的规正化效果。

    Jun, 2017

  • 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

  • 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

  • DeepCERES: 使用超高分辨率多模态 MRI 的深度学习方法进行小脑小叶分割

    该研究介绍了一种新颖的多模态高分辨率人脑小脑小叶分割方法，通过使用多模态和超高分辨率的训练数据集，改善了小脑小叶的分割，提高了精度。

    Jan, 2024

  • 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