Mar, 2024

基于深度学习的嗜铬细胞瘤自动分割用于生长监测

PDF
TL;DR通过基于深度学习分割模型使用 nnUNet 的自动肿瘤体积测量方法，我们证明了此方法与手动描绘至少相等，同时展示了额外体积测量如何影响已知生长函数的拟合。
paragangliomatumor volume measurementdeep learning segmentationnnunetgrowth modeling
发现论文，激发创造
  • 基于深度学习的全骨髓和淋巴结照射计划目标体积自动分割

    该研究介绍了将深度学习应用于放射治疗中的高级治疗：全骨髓和淋巴结照射（TMLI）中，通过 nnU-Net 框架发展了 2D 和 3D U-Net 模型，对 PTV 进行分割，实现了显著的改善。

    Feb, 2024

  • 为所有人打造的网络 '：使用来自单个患者的纵向数据进行完全个性化和无监督的神经网络训练

    本研究研究了个性化神经网络在检测肿瘤进展方面的应用，采用对比增强 T1w 序列的磁共振成像，使用 Wasserstein-GAN 无监督网络架构构建模型，对 32 例患有胶质母细胞瘤的病人的 64 个扫描进行了评估，证明只使用一个病人的数据即可训练神经网络来监测肿瘤变化。

    Oct, 2022

  • 基于 U-Net 全卷积网络的自动脑肿瘤检测和分割

    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

  • 术后胶质母细胞瘤分割：基于深度卷积神经网络的完全自动化流程的开发及与当前可用模型的比较

    准确评估肿瘤切除是管理胶质母细胞瘤的关键。我们使用 MRI 扫描和神经网络开发了一个流程，可以在术后图像中分割肿瘤亚区域和手术空腔。我们的模型在准确分类切除程度方面表现出色，为临床医生评估治疗效果提供了有价值的工具。

    Apr, 2024

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024

  • 深度学习在放疗中实现头颈解剖的临床可应用分割

    采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

    Sep, 2018

  • 使用多模 MRI 和对比学习进行腮腺肿瘤分割

    本文使用基于 Transformer 的对比学习方法和迁移学习训练模型，通过创新性的方法提高了腮腺分割模型的性能，并比较了有监督学习模型与对比学习模型的表现差异。

    Aug, 2022

  • 面部和颈部癌症患者的肿瘤图学习进行生存预测

    通过 U 型卷积神经网络进行头颈部区域分割，结合支持向量机分类器实现肿瘤的语义分割，采用 Weibull 加速失效时间模型和深度学习等方法进行存活预后预测，在图像块处理方面探索性地进行图形卷积，从而实现对头颈癌进行自动分割和预后预测，测试数据获得了 0.64 的协调指数，在 HECKTOR 2022 挑战排行榜中排名第六。

    Apr, 2023

  • 利用 3D U-Net 分割预测头颈部鳞状细胞癌放疗后复发体积

    通过使用卷积神经网络 (CNN) 分析患者的术前 18F - 氟脱氧葡萄糖正电子发射断层扫描和计算机断层扫描，研究表明可以预测头颈部鳞状细胞癌患者的局部复发体积，从而为生物学靶向放射疗法提供潜在方法来识别高风险生物体积。

    Aug, 2023

  • 鼻咽癌放疗计划的肿瘤总体积和危及器官的完全自动分割

    使用完全自动的框架，开发了用于头颈部 CT 图像的目标分割的两个模型，成功在 SegRap 2023 挑战赛的验证阶段中取得了这两项任务的第二名。

    Oct, 2023