Apr, 2024

稳健的笔画分割的综合数据

PDF
TL;DR深度学习在神经影像学中的语义分割目前需要高分辨率扫描和大型标注数据集，给临床适用性带来了显著障碍。本文提出了一种新颖的合成框架，用于病灶分割任务，扩展了现有的 SynthSeg 方法的能力，以适应具有大型异质病理的病灶特定增强策略。我们的方法使用从健康和中风数据集导出的标签图来训练深度学习模型，在没有特定序列训练数据的情况下，实现了对健康组织和病理病变的分割。在领域内和领域外（OOD）数据集的评估中，我们的框架展示出稳定的性能，在培训领域内与当前方法相媲美，在 OOD 数据上明显优于它们。这一贡献有望推动临床环境中医学影像分析的进展，特别是针对中风病理学，通过在不同的成像序列上实现可靠的分割，减少对大型标注数据的依赖。代码和权重可在此网址获得: https://URL
deep learningsemantic segmentationneuroimaginglesion segmentationstroke pathology
发现论文，激发创造
  • BeSt-LeS：使用深度监督进行脑卒中损伤分割的基准评估

    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

  • 基于深度学习的脑部分割模型性能验证与临床放射治疗 CT

    通过对多中心数据集进行计算机断层扫描 (CT) 上合成分割算法 (SynthSeg) 的验证，本研究使用 SynthSeg 模型从放射治疗中心的 260 个 CT 和磁共振成像 (MRI) 数据中自动分割出大脑，并将其与 MRI 分割结果进行比较和评估。结果显示，SynthSeg 可用于基于 CT 的自动大脑分割，但其性能不如 MRI，仅适用于不要求高精度的应用，通过基于质量控制评分的阈值筛除低质量分割结果。此外，本研究鼓励进行基于 CT 的神经解剖学研究，因为结果显示了与 MRI 相似的性别和年龄相关分析的相关性。

    Jun, 2024

  • 自我监督的大脑损伤生成，用于医学图像的有效数据增强

    提出了一个综合框架，通过基于对抗自编码器的病变生成器和软泊松融合算法，高效地生成用于训练脑部病变分割模型的新的逼真样本，并引入原型一致性正则化以实现真实和合成特征的对齐，验证表明该方法在两个公共脑部病变分割数据集上优于现有的数据增强方案。

    Jun, 2024

  • SynSeg-Net: 无需目标模态的合成分割

    本研究提出了一种使用合成数据进行训练的图像分割方法，极大地减少了在新兴医学成像模态或疾病群中手动跟踪图像时的人工工作量，该方法通过对模态之间的无配对强度图像使用周期生成对抗网络和深度卷积神经网络进行端到端训练， 并在两个医学成像实验中取得了优秀的表现。

    Oct, 2018

  • 语义分割中的可靠性问题：我们能否使用合成数据？

    本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

    Dec, 2023

  • 深度学习和合成训练数据在 sOCT 中的神经血管分割

    该研究使用序列切片光学相干断层扫描技术开发了一种高度可推广的神经血管分割方法，不需要手动注释并达到了人类水平的精度。

    Jul, 2024

  • 利用合成数据改进胎儿 MRI 中的跨领域脑组织分割

    FetalSynthSeg 是一种基于 SynthSeg 的领域随机化方法，用于通过磁共振成像（MRI）对胎儿脑进行分割，研究结果表明，在跨领域数据验证中，仅使用合成数据训练的模型表现优于仅使用真实数据训练的模型，并且在不同磁场强度和超分辨率算法下具有鲁棒性。

    Mar, 2024

  • 使用编码器 - 解码器 U-NET 在 MRI 中合成多发性硬化症病变

    本文研究旨在提高监督式机器学习算法的性能，生成合成性多发性硬化症 (MS) 病灶于核磁共振图像。我们提出了一种双输入双输出的全卷积神经网络模型，用于 MS 病灶合成 MRI 影像。使用病灶信息编码为二进制强度层掩膜，并通过对输入影像叠加。实验结果表明，通过合成图像同时使用非掺杂使得模型在 MS 病灶检测领域有很好的表现。

    Jan, 2019

  • 对抗生成学习实现无需目标模态基本事实的分割

    本研究提出了一种新的端到端的合成和分割神经网络（EssNet），可以在不使用 CT 手动标签的情况下同时完成未配对的 MRI 到 CT 图像合成和 CT 脾肿大分割，相比于使用合成图像独立训练分割网络的两阶段方法（0.8801），以及使用 CT 手动标签的规范多张分割方法（0.9125）和 ResNet 方法（0.9107），EssNet 取得了显著更高的中位数 Dice 相似系数（0.9188）。

    Dec, 2017

  • 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