Feb, 2024

wmh_seg: 转换器基于的 U-Net 用于 1.5T、3T 和 7T 的鲁棒和自动化的白质高信号区分割

PDF
TL;DR使用 wmh_seg 这一基于转换器编码器的深度学习模型，该模型在不同磁场强度、扫描仪制造商和常见磁共振成像伪影的条件下，稳定地实现了 7T 患者的白质病变分割。
white matter hyperintensityneurodegenerative diseaseswmh segmentationdeep learning model7t flair images
发现论文，激发创造
  • 基于概率 TransUNet 的白质高信号区分割

    本研究提出了一种名为 Probabilistic TransUNet 的方法来解决医学图像中小物体分割的准确性和模糊性问题，并通过 k 折交叉验证和跨数据集鲁棒性实验表明加入概率模型和使用基于 Transformer 的方法可以取得更好的性能。

    May, 2023

  • MR 图像中白质高信号区域分割的全卷积网络集成

    利用深度完全卷积神经网络和集成模型自动检测老年健康人群中的白质高信号病变，取得 WMH Segmentation Challenge at MICCAI 2017 的第一名，同时提供关于系统组成成分的详细描述和定量分析。

    Feb, 2018

  • 脑部图谱引导下的注意力 U-Net 用于白质高信号区域分割

    本文提出了一种仅利用 FLAIR 图像和空间注册的白质（WM）脑图谱的脑图谱引导的关注 U-Net（BAGAU-Net）来产生竞争性的 WMH 分割性能，通过实验验证表明：BAGAU-Net 胜过了 T1 加持的最先进方法，为 WMH 分割的有效发展铺平了道路。

    Oct, 2020

  • 自动分割白质高信号区的标准化评估及其分割挑战结果

    本文介绍了通过 WMH Segmentation Challenge，针对来自多个中心和扫描仪的脑部 MRI 图像，评估了五种指标来比较自动化白质高信号 （WMH）分割算法的性能，发现了四种方法的结果比其他方法显著优越，并且表明不是所有方法都适用于未知扫描仪。

    Apr, 2019

  • 在临床异质性和低场便携式 MRI 中量化白质高信号和脑容积

    该研究描述了一种能在任意分辨率和对比度（包括低场可移动磁共振成像）的扫描中，无需重新训练即可分割白质高信号和 36 个脑区域的方法，并展示了在多个数据集和高 / 低场扫描的强相关性结果。

    Dec, 2023

  • 3D SA-UNet：3D 空间注意 UNet 与 3D ASPP 用于白质高信号区域分割

    使用 3D Spatial Attention U-Net（3D SA-UNet）模型对液体衰减逆转复苏（FLAIR）扫描进行自动白质高信号（WMH）分割，通过增加 3D 空间注意力模块和 3D ASPP 模块，提高了网络的分割性能，并实验证明了该模型相比其他先进的 3D 卷积神经网络有更高的准确性。

    Sep, 2023

  • 多尺度卷积堆叠聚合用于鲁棒性白质高信号区域分割

    使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

    Jul, 2018

  • 超高场表示的转移用于低场磁共振成像引导的脑分割

    通过深度学习框架将低场磁共振特征与推断得到的 7T 类似特征融合，实现在无 7T 磁共振条件下对脑图像进行分割任务，提高了分割质量和适应性。

    Feb, 2024

  • 3D 脑部瘤分割的 3D 融合 Transformer

    该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

    Apr, 2023

  • 整合颅内测量的分层变压器网络用于全脑分割的增强

    通过提升层次转换 UNesT 模型实现了对包含 133 个类别的整个大脑和总颅内容积 / 后颅洞容积的分割，同时解决了由于数据稀缺导致的数据可用性问题，展示了模型在总颅内容积 / 后颅洞容积估计方面的精确性以及 132 个大脑区域的性能。

    Sep, 2023