基于深度学习的大脑图像分割技术用于自动肿瘤检测
本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法,该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试,并表现出良好的分割性能。
May, 2017
本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤(脑膜瘤、胶质瘤和垂体瘤)进行自动分割及识别,实验结果表明,采用了循环残差 U-Net 模型能达到平均交并比 0.8665,相比其它深度学习模型具有明显的优势。
Apr, 2023
基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。
Feb, 2024
该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法,利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能,得出的结果比现有的最优方法提升了 30 倍以上。
May, 2015
提出了一种新颖的混合多头注意力 U-Net 架构,用于准确的脑肿瘤分割,并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比,该模型在评估性能指标方面表现出色。
May, 2024
本文提出了两种深度学习模型,UNet 和 Deeplabv3,用于使用预处理的脑 MRI 图像检测和分割胶质母细胞瘤脑肿瘤,实验结果表明,Deeplabv3 在准确性上优于 UNet,但需要更多的计算资源,这些模型为胶质母细胞瘤脑肿瘤的早期检测和分割提供了一种有前途的方法。
Apr, 2023
本研究提出了一种基于深度学习的模型用于对磁共振成像(MRI)扫描中的脑肿瘤进行分类和分割。该模型通过 EfficientNetB1 体系结构进行图像分类,基于 U-Net 体系结构进行精确的肿瘤分割,并在公共数据集上得到了高准确率和分割度量,表明它们在脑肿瘤的诊断和治疗中具有可能的临床应用价值。
Apr, 2023
本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型,包括多尺度方法。与以前的工作相比,我们的提案的一个区别是,输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的 MRI 图像:脑膜瘤、胶质瘤和垂体瘤,并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含 233 名患者 3064 张切片的公开可用的 MRI 图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中,我们的方法以 0.973 的肿瘤分类准确度明显高于使用相同数据库的其他方法。
Feb, 2024
通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割,本研究在 BraTS-GoAT 挑战中的各种人群(如成人、儿科和非洲撒哈拉以南地区)的脑部 MRI 扫描图像中自动分割肿瘤,并通过大量的模型集成和后处理方法在未知验证集上表现良好,平均 DSC 为 85.54%,HD95 为 27.88。
May, 2024
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