Jan, 2024

SEDNet: 浅层编码器 - 解码器网络用于脑肿瘤分割

PDF
TL;DR本文提出了一种浅层编码器和解码器网络（SEDNet）用于脑肿瘤分割，结合预处理算法和优化函数，通过对 BraTS2020 数据集的测试取得了显著的性能，并通过迁移学习进一步提高了分割准确度，因此，在实时临床诊断中表现出了高效性。
brain tumor segmentationcomputational modelingsednetu-netclinical diagnosis
发现论文，激发创造
  • SED: 开放词汇语义分割的简单编码器 - 解码器

    我们提出了一种名为 SED 的简单的编码器 - 解码器模型用于开放词汇语义分割任务，该模型通过分层背骨和渐进融合解码器实现像素级图像分割，同时引入了类别早期拒绝机制以加快推理速度，实验证明该方法在多个数据集上的性能表现良好

    Nov, 2023

  • 一种新的 SLCA-UNet 架构用于自动 MRI 脑肿瘤分割

    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

  • 集成 ResUnet 用于解剖学大脑屏障分割

    使用带残差块的 U 型网络和 Tversky 损失函数进行脑结构分割，提高在不同模态下的准确率，同时采用模型集成策略进一步提高性能。

    Dec, 2020

  • Swin UNETR: 基于 Swin Transformers 的 MRI 图像脑瘤语义分割

    利用 Swint UNEt TRansformers 模型和多模 MRI 数据对 3D 颅脑肿瘤进行语义分割，可以转换为序列预测问题，以 5 个不同分辨率提取特征，通过跳过连接连接到 FCNN 解码器，并在 BraTS 2021 分割挑战中表现出优越的性能。

    Jan, 2022

  • SPEEDNet: 结肠镜图像的显著金字塔增强编码解码网络

    SPEEDNet 是一种用于结肠镜图像中精确定位和分割病变的新型网络架构，通过将扩张卷积和缩减层成对组合成金字塔结构来降低参数数量，提高特征学习，并降低模糊效果。在 EBHISeg 数据集上，SPEEDNet 的性能优于 UNet、FeedNet 和 AttesResDUNet，达到了 0.952 的平均 Dice 得分和 0.971 的召回率。与 UNet、FeedNet 和 AttesResDUNet 模型相比，SPEEDNet 的模型大小为 9.81 MB，显著较小。

    Dec, 2023

  • 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

  • nnU-Net 用于脑肿瘤分割

    本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时，我们的最终集成在整个肿瘤中，肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03，HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。

    Nov, 2020

  • 3D-TransUNet 在 BraTS2023 挑战中用于脑转移灶分割

    通过在 Brain Tumor Segmentation (BraTS-METS) 2023 challenge 数据集上训练 3D-TransUNet 模型，我们探索了两种架构配置：仅在编码器中使用 Transformer 的 Encoder-only 3D-TransUNet 和仅在解码器中使用 Transformer 的 Decoder-only 3D-TransUNet 模型，结果显示 Decoder-only 3D-TransUNet 模型在脑转移分割方面具有增强的效果。

    Mar, 2024

  • 优化 U-Net 用于脑肿瘤分割

    本文通过一项消融研究，建议了优化的 U-Net 架构用于 BraTS21 挑战的脑肿瘤分割任务，并在 NVIDIA Deep Learning Examples GitHub 仓库中开源了代码来重现我们的 BraTS21 提交。

    Oct, 2021

  • CU-Net：一种用于 BraTS 2019 数据集上高效脑肿瘤分割的 U-Net 架构

    使用 Columbia-University-Net (CU-Net) 架构和 BraTS 2019 数据集，本研究提出了一种精确分割脑肿瘤的新方法，该方法通过卷积层、最大池化和上采样操作构建对称 U 型结构的 CU-Net 模型，Dice 系数高达 82.41%，超过了其他两个最先进的模型，这种分割准确性的提升突显了该模型的鲁棒性和有效性，有助于精确确定肿瘤边界，对于手术规划和放射治疗至关重要，最终有潜力改善患者预后。

    Jun, 2024