Apr, 2024

用于脑肿瘤分割的图像增强技术的比较分析：对比度、直方图和混合方法

PDF
TL;DR该研究系统地研究了图像增强技术对基于卷积神经网络（CNN）的脑肿瘤分割的影响，重点关注直方图均衡化（HE）、有限对比适应性直方图均衡化（CLAHE）及其混合变化。利用 3064 个脑 MRI 图像数据集，采用 U-Net 架构进行预处理步骤和优化分割精度的研究。通过比较分析和多项指标，研究结果表明 CLAHE-HE 混合方法始终表现出优越性，具有较高的准确度和鲁棒的分割重叠性，强调其在神经肿瘤应用中的潜力。研究结论呼吁进一步改进分割方法，以提高神经肿瘤的诊断精确性和治疗规划能力。
image enhancement techniquesconvolutional neural networkbrain tumor segmentationhistogram equalizationu-net architecture
发现论文，激发创造
  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • 基于超光谱成像和图神经网络的稳健肿瘤分割

    利用 Hyperspectral Imaging 和 Machine Learning 相结合的方法，采用 Graph Neural Networks 以及 Convolutional Neural Network，通过对局部图像特征和空间上下文信息的建模，实现在肿瘤和健康组织之间进行准确分割的目标。

    Nov, 2023

  • 使用深度神经网络分类器对医学图像分割进行偷袭

    本研究使用卷积神经网络分类器及热图来解决分割问题，并提出用平均 Dice 系数评估结果的方法。研究显示热图可以定位和分割部分肿瘤区域，但仅使用 CNN 分类器的热图可能并非最佳选项。

    Jan, 2022

  • 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

  • 深度卷积神经网络用于乳腺癌组织学图像分析

    本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

    Feb, 2018

  • 组织病理学癌症检测

    癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤，本研究通过深度学习构建了一个潜在的肿瘤预后分类模型，利用组织病理学图像中有价值的信息，选择了 PatchCamelyon 基准数据集，训练了多层感知器和卷积模型，并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分，结果显示基准卷积模型表现优于基准多层感知器模型。此外，本文还引入了 ResNet50 和 InceptionNet 模型，并使用数据增强，其中 ResNet50 能够超越最先进的模型，最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。

    Nov, 2023

  • 一种改进的监督对比学习方法在乳腺癌组织学图像分类中的应用

    通过改进监督对比学习方法，结合自监督学习和标签数据，在有限数据情况下提高医学图像处理任务中深度神经网络的分类准确率，特别是在乳腺癌组织病理学图像上实现了 93.63% 的绝对准确度。

    May, 2024

  • 基于图像增强方法的肿瘤分割研究

    通过图像增强和深度学习技术，对肝脏分割进行精确处理，以提高肝癌识别准确性和召回率。

    Jun, 2024

  • 使用三重 U-Net 架构对冰冻切片 H&E 染色组织学图像进行核实例分割

    该研究提出了一种利用 H&E 染色图像的独特光学特性的方法，基于三支 U-Net 架构进行核分割，包括应用分水岭算法进行重叠区域的分离和提高准确性。该方法在 CryoNuSeg 数据集上进行了实验，比现有技术在各项指标上取得了更好的结果，特别是在 AJI 得分方面，证明了三支 U-Net 架构在改进核分割方面的优越性。

    Apr, 2024

  • MR 图像中白质高信号区域分割的全卷积网络集成

    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