探究基于补丁的脑 MRI 分割任务所需的数据量

Apr, 2024

探究基于补丁的脑 MRI 分割任务所需的数据量

How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks

Dongang Wang, Peilin Liu, Hengrui Wang, Heidi Beadnall, Kain Kyle...

TL;DR本文提出了一种应用于深度学习的早期阶段研究的策略性框架，用于估计训练基于补丁的分割网络所需的注释数据量。通过使用一种新颖的边界微调方法（MinBAT）建立性能预期，并通过基于感兴趣区域（ROI）的扩展补丁选择方法（REPS）标准化补丁选择，我们的实验表明，涉及不同大小或形状的感兴趣区域（ROIs）的任务可能会产生可接受的 Dice 相似系数（DSC）分数变化。通过将可接受的 DSC 设为目标，可以估计所需的训练数据量，甚至可以随着数据的积累进行预测。这种方法可帮助研究人员和工程师估计定义基于深度神经网络的新分割任务时的数据收集和注释成本，最终有助于它们有效地应用于实际应用。

Abstract

Training deep neural networks reliably requires access to large-scale datasets. However, obtaining such datasets can be challenging, especially in the context of neuroimaging analysis tasks, where the cost associ

deep neural networks neuroimaging analysis model development patch-based segmentation networks data collection

发现论文，激发创造

基于区域的 U-net 用于加速训练和提高深度脑部分割的精度

基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

Mar, 2024

应用深度神经网络进行解剖学脑分割

采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

基于模板训练和视觉感知增强的脑 MRI 分割

通过模板训练方法，使用一种人口平均脑 MRI 模板和相关分割标签，从头开始训练 3D U-Net 模型，在视觉感知增强和减轻过拟合的基础上，实现对鼠、大鼠、印度狨猴、恒河猴和人类脑 MRI 进行头骨去除、脑分割和组织概率映射等分割任务的训练，有效解决数据有限的问题，扩展深度学习在图像分析中的应用，为研究人员提供了仅需一张图像样本即可训练深度神经网络的统一解决方案。

Aug, 2023

研究提议：“高质量数据是否足够？

本文研究如何选择和创建高质量基准数据的子集以及对于模型的有效学习是否真正需要大型数据集，并计划研究数据修剪和数据创建范式以生成高质量数据。

Mar, 2022

培训数据集大小和集成推论策略对头颈自动分割的影响

研究了用不同大小的数据集（25-1000 个扫描）训练三维卷积神经网络以在放射治疗中自动分割头颈部器官的精度和鲁棒性，同时还评估了多种集成技术来改善这些模型的性能，结果表明集成技术对于较小的数据集的影响最为明显，并具有使用困难训练集的潜力。

Mar, 2023

训练，学习，扩展，重复

这篇论文提出了一种递归式的训练策略，在使用非常少的带有像素级注释的训练样本的情况下，通过使用较便宜的图像级标注扩展这个小的训练样本集，完成语义分割的任务，进而应用于颅内出血的分割。

Mar, 2020

迭代优化和统计结果验证的高效人机互动式深度学习模型训练

本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

Apr, 2023

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

关于探测的数据需求

本研究探索寻找一种数量化方法，以估算合理的探测数据集大小，旨在构建一个系统性的诊断神经自然语言处理 (NLP) 模型探测数据集的框架。通过几个案例研究，我们验证了我们的估算具有足够的统计功效。

Feb, 2022

分割质量实时预测

通过深度学习模型建立 DSC （Dice Similarity Coefficients）预测模型，用于评估心血管 MR 图像的分割质量；同时提出一种无标记数据的反向测试策略，预测 DSC 并进行二元分类判别心血管 MR 图像分割的质量，实现实时分割方法的筛选为可分析图像，最大限度提高图像分析结果的优化。

Jun, 2018