Feb, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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 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

    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。

    Feb, 2024

  • 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

  • 探索完美：基于人工智能协作的主动学习方法用于 HRCT 肺气道分割的无间断干扰艺术

    用基于人机交互的模型结合不同的深度学习方法进行肺气管分割，通过该方法可以减少医生标注时间并提高性能。

    Jul, 2024

  • 深度学习模型在 X 射线图像肺部分割的比较分析

    本研究评估深度学习解决方案在 X 射线图像的肺部分割方面的可靠性和高准确性，对 61 篇研究论文进行分析，只有九篇提供了实施或预训练模型，最终评估 CE-Net 表现最佳，其 Dice 相似系数和交集比例度量值最高。

    Apr, 2024

  • 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

  • UNet 及其变体在医学图像分割中的性能分析

    通过探索深度学习模型在医学图像分割中的应用，特别关注 UNet 架构及其变体，本研究评估了这些模型在各种挑战性医学图像分割任务中的表现，并通过解决图像标准化、调整大小、架构选择、损失函数设计和超参数调整等问题来获取结果。研究结果显示，经过深层网络层扩展的标准 UNet 是一种精湛的医学图像分割模型；而 Res-UNet 和 Attention Res-UNet 架构在处理精细图像细节时表现出更平滑的收敛和卓越的性能。此外，本研究还着重解决高类别不平衡问题，通过精心预处理和定义损失函数来处理。我们预期本研究结果将为希望将这些模型应用于新的医学成像问题的研究人员提供有用的见解，并为其实施提供指导和最佳实践。

    Sep, 2023

  • U-Net 及其变体在医学图像分割中的应用与理论

    U-net 是一种主要用于医学图像分析的图像分割技术，可以使用少量的训练数据对图像进行精确分割。本文回顾了 U-net 架构的各种发展，并探讨了最近的趋势。我们研究了深度学习中的各种创新，并讨论了这些工具如何促进 U- net。此外，我们还研究了 U-net 已应用的图像模态和应用领域。

    Nov, 2020

  • 一个神经网络进行全局的医学三维图像分割系统：一种通用的轻量级准确分割系统

    研究介绍了一个简单而彻底评估的深度学习框架，应用于任意医学图像体的分割，同时不需要任务特定的信息和人为干预。该系统基于一个固定的模型拓扑和固定的超参数集，排除了模型选择的过程和方法级别的过拟合。此外，使用多平面数据增强，结合了一个基于常见 U-Net 的 2D 架构，让 2D 模型学习表示 3D 图像体的表示方法，从而提高了泛化性能。

    Nov, 2019

  • 非小细胞肺癌分割：引入 DRU-Net 和多镜头变形

    我们提出了一个分割模型 (DRU-Net)，可以提供人类非小细胞肺癌的分割，以及可以改善分类结果的增强方法。该模型是截断预训练 DenseNet201 和 ResNet101V2 的融合组合，作为基于补丁的分类器，随后使用轻量级 U-Net 作为修正模型。我们使用了两个数据集 (Norwegian Lung Cancer Biobank 和 Haukeland University Hospital lung cancer cohort) 来创建我们的模型。DRU-Net 模型的平均 Dice 相似性系数为 0.91。所提出的空间增强方法 (多镜头扭曲) 使网络性能提高了 3%。我们的研究结果表明，选择包含感兴趣区域的图像补丁相对于其他采样方法，在基于补丁的分类器方面能够取得更好的结果。定性分析显示，DRU-Net 模型在肿瘤检测方面通常是成功的。在测试集中，一些情况显示出假阳性和假阴性分割区域，特别是在伴有炎症和反应性变化的肿瘤中。

    Jun, 2024