Feb, 2024

基于高斯伪标签的形态学注意力深度监督在非对比 CT 腹主动脉分割中的应用

PDF
TL;DR本研究通过引入基于高斯伪标签的 Morphological Attention（MA）技术，将其与传统的深度学习模型相结合，以在非对比度 CT 影像中分割腹主动脉的边界。通过此方法，保留了主动脉的形态特征，减轻了边界模糊性的负面影响，降低了过拟合的风险，并在实验中验证了其有效性。
abdominal aortanon-contrast ctsegmentationmorphological attention (ma)deep learning models
发现论文，激发创造
  • 基于高斯伪标签的非对比度 CT 中类椭圆血管结构分割的弱监督学习超越强标签

    基于深度学习的自动化血管结构分割为血管疾病的计算机辅助诊断和介入手术提供有益的预防性 CT 扫描，该文章引入了一种基于弱监督框架，通过椭圆拟合和伪标签生成的方法取得了较好的效果。

    Feb, 2024

  • DeepAAA：利用深度学习进行临床可应用和普适性的腹主动脉瘤检测

    本研究提出了一种基于深度学习的技术，用于检测和量化腹主动脉瘤，该模型架构是一个改进的 3D U-Net 算法与椭圆拟合相结合，可用于主动脉分割和腹主动脉瘤检测，模型经过 321 个腹部 - 盆腔 CT 检查的训练和验证，在 57 个新的检查数据上也具备很高的性能。

    Jul, 2019

  • 腹主动脉瘤计算机断层扫描图像的近似方法与人工智能方法的比较

    本研究评估了应用于腹主动脉瘤患者计算机断层扫描图像的两种方法：一种基于近似理论工具的确定性方法和一种基于人工智能的方法。两种方法均旨在分割基底 CT 图像，以提取主动脉血管的患区，为诊断该病理提供尿毒症造影剂的替代方案。实验结果定量和定性地比较了这两种方法的性能，表明两种模型均能得出准确的结果。

    Jun, 2024

  • 基于 3D 卷积神经网络的腹主动脉瘤分割

    本文提出了首个用于分割腹主动脉瘤的 3D 卷积神经网络，并成功地验证了其在诊断和评估方面的性能，该方法可自动量化主动脉瘤直径，开拓更复杂的主动脉瘤分析机会。

    Mar, 2019

  • 自动腹部 MRI 器官分割：基于 CT 标签生成的合成数据的应用

    利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

    Mar, 2024

  • 具有先前知識的神經網路用於部分監督的多器官分割

    本文提出了先验知识神经网络 (PaNN) 方法来解决多器官 CT 分割中部分标记数据集的背景模糊问题，PaNN 应用了解剖先验知识指导训练。在 MICCAI2015 挑战中，PaNN 模型取得了 84.97% 的平均 Dice 分数，超过之前的最优结果 3.27%。

    Apr, 2019

  • 胎儿心脏 MRI 中联合弱监督分割与主动脉弓异常分类的多任务学习

    研究论文通过多任务框架进行了自动多类胎儿血管分割和异常分类，并表明其训练策略显著优于传播标签和仅基于 T2w 体积图像训练的网络。 添加分类器可以提高正确分类的双主动脉弓患者的解剖和拓扑准确性。

    Nov, 2023

  • TransONet: 使用深度学习自动分割计算机断层扫描血管造影中的血管

    通过提出基于深度学习模型的方法，可以高效且准确地分割 CTA 图像中与周围动脉疾病（PAD）手术相关的下行主动脉至髂分叉和下行主动脉至膝盖部分，为医学专业人员分析血管系统健康提供了有价值的工具。

    Nov, 2023

  • 无造影钙化计分 CT 图像中的冠状动脉分割利用深度学习

    本文提出了一种基于深度学习算法的多供应商心电图门控无对比剂心脏 CT 图像冠状动脉分割的方法，该方法通过图像配准实现了半自动生成 Ground Truth，研究结果表明训练模型具有比训练时使用的 Ground Truth 更高的准确性，并且 Dice 和 clDice 指标接近评定者之间的差异。

    Mar, 2024

  • DeepVox 和 SAVE-CT：一种对比度和剂量无关的三维深度学习方法，用于胸部主动脉分割和动脉瘤预测的计算机断层扫描

    这项研究探索了使用低剂量 CT 扫描和无对比剂加强 CT 扫描获得的图像进行自动化筛查、评估和分类的方法，开发了一种新型分割模型和 TAA 分类模型，可在不同条件下进行全自动的无对比剂和剂量独立的 TAA 评估，以减少患者的筛查时间和病理评估风险。

    Oct, 2023