Feb, 2024

如何赢得 BraTS 2023 成人脑胶质瘤挑战？只需模拟！增强合成数据增强和模型集成用于脑肿瘤分割

PDF
TL;DR利用生成对抗网络、注册方法和深度学习模型在 BraTS2023 挑战赛的脑瘤分割任务中，通过非传统机制进行数据增广，实现大量可用样本进行训练，使用卷积算法和变换器填补彼此的知识差距，最佳解决方案在验证集上达到了 0.9005、0.8673、0.8509 的 Dice 结果和 14.940、14.467、17.699 的 HD95 结果（整个肿瘤、肿瘤核心和增强肿瘤）。
发现论文，激发创造
  • 基于集成方法的成年脑肿瘤自动分割：利用 BraTS AFRICA 挑战数据的新方法

    应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

    Aug, 2023

  • 注意力增强的混合特征聚合网络用于三维脑肿瘤分割

    基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。

    Mar, 2024

  • 医学影像的高级肿瘤分割：针对 BraTS 2023 成人胶质瘤和儿童肿瘤任务的整合方法

    该研究介绍了我们在 BraTS 2023 挑战的两个任务中，成人胶质瘤和儿科肿瘤的肿瘤分割方法，采用了 SegResNet 和 MedNeXt 等两个 CNN 模型，并引入了一套强大的后处理方法来提高分割性能。我们的方法在 BraTS 2023 成人胶质瘤分割挑战中取得了第三名，测试集上平均 Dice 和 HD95 分数分别为 0.8313 和 36.38。

    Mar, 2024

  • 使用合成磁共振图像的脑肿瘤分割 ——GAN 和扩散模型的比较

    本文研究了利用生成模型如 GANs 构建的合成影像，其在大脑肿瘤分割任务上与真实影像训练的性能差异，发现实验结果在一定数据量下合成影像可以很好地训练神经网络，而常用的评估合成影像的指标无法很好地预测其在特定任务上的性能。

    Jun, 2023

  • 儿童脑肿瘤的自动集成分割：使用 CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 挑战数据的新方法

    该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

    Aug, 2023

  • 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

  • 改进脑瘤分割的深度伪造图像生成

    通过使用生成对抗网络进行图像转换，本研究探讨了使用深度伪造图像生成技术进行脑肿瘤分割的可行性，结果显示在图像分割质量指标方面表现出改善的性能，可能在数据有限的情况下进行训练时提供帮助。

    Jul, 2023

  • BRATS2017 挑战赛中的脑肿瘤分割及放射组学生存预测

    本文介绍了一种利用卷积神经网络的特征加上数据增强和 Dice 损失函数的方法，成功应用于大脑肿瘤的分割，同时在乳腺癌核分裂图像的分割中也有着广泛的应用。

    Feb, 2018

  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 脑肿瘤分割的处理和迁移学习的优化框架

    基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

    Feb, 2024