一种用于缺血性中风病变分割的鲁棒集成算法:超越 ISLES 挑战的广泛适用性和临床效用
研究使用深度学习(DL)技术,设计基于计算机断层扫描(CT)的 DL 算法,从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风(AIS)病变,并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响,最佳 DL 方法对病变存在和侧边分类达到了 72%的准确率,对大尺寸病变(80%准确率)和多发病变(87%二个病变、100%三个或以上病变的准确率)检测效果更好。
Sep, 2023
中风是全球第二大死因,本研究介绍了 APIS 数据集,它包含了 NCCT 和 ADC 研究的急性缺血性中风患者,可用于帮助诊断、定位和分析中风病变。
Sep, 2023
本文提出了一种基于深度学习技术的脑卒中损伤分割方法,旨在实现损伤扩展和影响的客观测量,以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割,并同时提供损伤体积和对大脑结构的加权损伤量量化。
Jun, 2023
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
基于扩散加权磁共振成像结合结构化健康档案的深度融合学习网络预测卒中患者的长期护理需求,在训练集上达到 0.87 的 AUC,0.80 的 F1 得分和 80.45% 的准确率,超过了目前医学领域中整合图像和结构化数据的现有模型,并且扩散加权磁共振成像能够与其他临床变量结合,在预测准确性上达到可比较的水平,从而更好地推广应用。
Feb, 2024
基于多位专家的深度学习方法,本研究利用非对比 CT 图像自动量化缺血性脑组织。采用随机专家抽样的训练方案,该模型在专家结果、多数投票模型性能和临床结果等方面显示更高的一致性,并能像 CT 灌注图像一样准确地识别非对比 CT 图像中急性缺血性脑组织的存在和位置,从而在非专业医院中进一步确保对患者进行血管内治疗的选择。
Sep, 2023
本文提出了一种基于扩散概率模型的非对比 CT 扫描中卒中病灶分割方法,该方法完全基于隐变量模型,在噪声预测流的帮助下能够高效地推断出最终标签,经多组数据集验证,证实其达到了最先进的性能。
Jul, 2023
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
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
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