Feb, 2024

基于 CT 的胸腔外科手术计划的解剖分割：对 3D U 型深度学习模型的基准研究

PDF
TL;DR最近对患者特定胸部手术规划和仿真的兴趣日益增加，要求从自动医学影像分割算法中高效、稳健地创建数字解剖模型。深度学习（DL）现在在各种放射学任务中处于领先地位，U 型 DL 模型在医学影像分割方面表现出色，自 2D UNet 的诞生以来已经有很多 U 型模型的变体。目前，尚缺乏对这些模型进行系统的基准研究，尽管最近大规模多标签数据库的发展为该领域提供了机会。我们首次对 3D U 型模型的变体（3DUNet，STUNet，AttentionUNet，SwinUNETR，FocalSegNet 以及一种新的带有四种变体的 3D SwinUnet）进行了基准研究，其重点是基于 CT 的胸部手术解剖分割。我们的研究系统地考察了不同注意力机制、分辨率级别数量和网络配置对分割准确率和计算复杂度的影响，并进行了与最近的其他基准研究的交叉参考，包括对 BTCV 腹部结构分割的性能评估。在 STUNet 排名首位的情况下，我们的研究证明了用于所研究任务的基于 CNN 的 U 型模型的价值，以及在网络配置设计中使用剩余块以提高分割性能的好处。
发现论文，激发创造
  • 更具特定性：一种基于 3D U-Net 及其变型的新型基于不确定性的气道分割应用

    本文提出了两种不同的网络结构 Branch-Level U-Net (B-UNet) 和 Branch-Level CE-UNet (B-CE-UNet)，它们基于 U-Net 结构，并比较了相同数据集的预测结果。特别地，这两种网络都添加了分支损失和中央线损失，以学习气道的精细分支末端的特征。此外，还包括不确定性估计算法来获得自信的预测结果，从而增加整个模型的可靠性。此外，在后处理过程中，根据最大连接率计算和提取了基于肺气管的预测结果，以进行分割的细化和修剪。

    Feb, 2024

  • 从 CNN 到 Transformer：医学图像分割模型综述

    在这篇论文中，我们对近年来最具代表性的四种医学图像分割模型进行了调查。我们从理论上分析了这些模型的特点，并在两个基准数据集（结核病胸部 X 射线和卵巢肿瘤）上定量评估了它们的性能。最后，我们讨论了医学图像分割领域的主要挑战和未来趋势。我们的工作可以帮助相关领域的研究人员快速建立针对特定区域的医学分割模型。

    Aug, 2023

  • 多维统一 Swin Transformer 用于多解剖位置的 3D 病变分割

    在肿瘤学研究中，准确的 CT 扫描病灶 3D 分割对于病灶生长动力学的建模至关重要。然而，根据 RECIST 准则，放射科医生通常仅在显示最大横截面面积的轴位切片上勾画每个病灶，并在研究目的上勾画少量的 3D 病灶。因此，我们有大量未标记的 3D 体积和带标签的 2D 图像，以及稀缺的标记的 3D 体积，这使得训练深度学习 3D 分割模型成为一项具有挑战性的任务。本研究提出了一种新模型，称为多维统一的 Swin Transformer (MDU-ST)，用于 3D 病灶分割。MDU-ST 由一个偏移窗口变换器 (Swin-transformer) 编码器和一个卷积神经网络 (CNN) 解码器组成，使其能够适应 2D 和 3D 输入，并在同一编码器中学习相应的语义信息。基于该模型，我们引入了一个三阶段框架：1) 通过自我监督的先验任务利用大量未标记的 3D 病灶体积来学习 Swin-transformer 编码器中病灶解剖学的潜在模式；2) 对 Swin-transformer 编码器进行微调，以使用 2D RECIST 切片执行 2D 病灶分割，学习切片级分割信息；3) 进一步对 Swin-transformer 编码器进行微调，以使用带标签的 3D 体积执行 3D 病灶分割。该网络的性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在一个内部的 3D 病灶数据集上进行评估，其中包含来自多个解剖位置的 593 个病灶。所提出的 MDU-ST 相比竞争模型表现出显著改进。该方法可用于进行自动化的 3D 病灶分割以辅助放射组学和肿瘤生长建模研究。本论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。

    Sep, 2023

  • 肺部影像的自动分割主要是数据多样性问题，而非方法问题

    采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

    Jan, 2020

  • BeSt-LeS：使用深度监督进行脑卒中损伤分割的基准评估

    脑卒中已经成为全球健康负担，因此我们需要治疗方法和预防策略来克服这一挑战。在此工作中，我们考虑了公开可用的数据集 ATLAS v2.0，以评估各种端到端有监督的 U-Net 风格模型。我们在 2D 变换器模型上达到了最高的 Dice 得分 0.583，在 3D 残差 U-Net 模型上达到了 0.504。我们对 3D 模型进行了 Wilcoxon 测试，以确定预测和实际中风体积之间的关系。为了可复现性，代码和模型权重已公开提供。

    Oct, 2023

  • 高准确率和节省成本的主动学习 3D WD-UNet 用于气道分割

    我们提出了一种新颖的深度主动学习模型 - 3D Wasserstein 鉴别 UNet（WD-UNet），用于减少医学 3D 计算机断层扫描（CT）分割的注释工作量。我们的方法可以嵌入不同的主动学习策略和不同的网络结构，通过使用不确定性度量作为查询策略的输入参数，可以获得比一些最先进的监督式深度学习模型更准确的预测结果，并且节省了标注成本。

    Oct, 2023

  • 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

  • 基于胸部 CT 扫描的 COVID-19 检测的 3D 深度学习模型的自动设计与基准评估

    本研究基于三个公开数据集，使用三种现有的 3D 模型和一种可微分神经架构搜索技术，提出了自动搜索 3D DL 模型的方法，称为 CovidNet3D，与人设计的基线模型相比，CovidNet3D 有效减小了模型大小并提高了准确性，CAM 技术可以应用在 CovidNet3D 以提高医学诊断解释性。

    Jan, 2021

  • 时空建模遭遇 3D 医学图像分析：Slice-Shift UNet 与多视图融合

    基于视频动作识别领域的灵感，我们提出了一种名为 Slice Shift UNet (SSH-UNet) 的新型二维模型，以 2D 卷积神经网络的复杂度编码三维特征，通过沿切片轴移动部分特征图重新融合被 2D 卷积忽视的第三个维度。在多模态腹部多器官分割（AMOS）和除颅骨外多图谱标记（BTCV）数据集中验证了我们方法的有效性，表明 SSH-UNet 在性能上与最先进的架构相媲美，且更高效。

    Jul, 2023