利用用户辅助的滤波估计和选择构建脑肿瘤分割网络

Mar, 2024

利用用户辅助的滤波估计和选择构建脑肿瘤分割网络

Building Brain Tumor Segmentation Networks with User-Assisted Filter Estimation and Selection

Matheus A. Cerqueira, Flávia Sprenger, Bernardo C. A. Teixeira, Alexandre X. Falcão

TL;DR脑肿瘤图像分割是一个具有挑战性的研究课题，深度学习模型呈现出最佳结果。然而，传统的从许多预注释图像中训练这些模型的方式还存在一些未解答的问题。因此，方法学，例如从图像标记学习特征 (FLIM)，已经在学习循环中涉及专家，以减少数据注释的人力工作量，并在一个给定的问题上构建足够深的模型。FLIM 已成功用于创建编码器，估计从标记像素为中心的补丁的所有卷积层的滤波器。在这项工作中，我们提出了多步骤 (MS) FLIM - 一种用户辅助的方法，用于从多个 FLIM 执行中估计和选择最相关的滤波器。MS-FLIM 仅用于第一层卷积层，结果已经表明相对于 FLIM 存在改进。为了评估，我们构建了一个简单的 U 形编码器 - 解码器网络，名为 sU-Net，用于胶质母细胞瘤分割，使用 T1Gd 和 FLAIR MRI 扫描，改变编码器的训练方法，使用 FLIM，MS-FLIM 和反向传播算法。此外，我们使用两个数据集将这些 sU-Net 与两个最先进的深度学习模型进行了比较。结果显示，基于 MS-FLIM 的 sU-Net 胜过其他训练方法，并在 SOTA 模型的标准偏差范围内实现了有效性。

Abstract

brain tumor image segmentation is a challenging research topic in which deep-learning models have presented the best results. However, the traditional way of training those models from many pre-annotated images l

brain tumor image segmentation deep-learning models feature learning from image markers (flim)multi-step (ms) flim su-net

发现论文，激发创造

脑肿瘤分割网络的交互式图像选择和训练

通过使用基于图像标记的特征学习方法，我们能够选择一小组图像来训练 U 形网络的编码器，从而达到与手动选择相等甚至超过使用反向传播和所有训练图像训练的同一 U 形网络的性能。

Jun, 2024

使用卷积自编码器从 MRI 进行无监督的脑部损伤分割

本研究使用卷积自编码器方法，通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病，性能远优于传统人工标注和现有自监督方法。

Nov, 2018

基于注意力机制的卷积神经网络在 FLAIR 图像中的多发性硬化症病变分割

使用 FLAIR 影像的卷积神经网络来自动分割多发性硬化症的病变，该方法在测试中表现显著优于其他现有的方法。

Jan, 2022

ME-Net：用于脑肿瘤分割的多编码器网络框架

该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类 Dice 损失函数，该方法可以降低特征提取难度，并显著提高模型性能，在验证集上能够与目前最先进的方法相媲美，在完整肿瘤，肿瘤核和增强肿瘤方面的 Dice 分数分别为 0.70249，0.88267 和 0.73864。

Mar, 2022

构建准确且普适的多发性硬化症病灶分割模型：自我集成病灶融合

利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，不需要进一步的修改，同时具备实例归一化，而非文献中广泛使用的批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。

Dec, 2023

智能医学图像分析中的多尺度图像融合系统探索

这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

May, 2024

一种集成 FCNN 和 CRF 的深度学习模型用于脑肿瘤分割

开发了一种结合全卷积神经网络和条件随机场的新型脑肿瘤分割方法，该方法基于图像块和图像切片训练多个深度学习模型，并将它们组合起来使用投票策略进行脑肿瘤分割。实验证明，该方法在多模态脑肿瘤影像分割方面取得了竞争性的性能，可以实现逐层切片的快速分割。

Feb, 2017

利用不完整影像数据进行脑肿瘤分割

本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响，检验 MRI 数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。

Jun, 2022

使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

学习未学习特征用于脑肿瘤分割

本文提出了基于主动学习和元学习的功能微调算法，以帮助网络不忘记原始任务，实现大脑肿瘤分割的准确识别，并展示了从高级别胶质瘤到脑转移的迁移学习方法，证明所提出的算法可以在短时间内实现对于胶质瘤和脑转移领域的平衡参数。

May, 2023