BC-MRI-SEG:乳腺癌 MRI 肿瘤分割基准
为解决乳腺癌磁共振成像(MRI)中缺乏专家标注的挑战,本研究提出了 MAMA-MIA 数据集,包括 1506 个多中心动态增强 MRI 病例的专家标注的原发肿瘤和非团块性增强区域。研究使用深度学习模型自动进行分割,并由专家进行修正,最终得到专家标注,同时提供了 49 个协调的人口统计和临床变量,并提供了使用 DCE-MRI 全图和专家标注进行训练的 nnUNet 架构的预训练权重。该数据集旨在加速深度学习模型的发展和评估,并促进乳腺癌诊断和治疗规划的创新。
Jun, 2024
通过利用组织间的相互作用,我们提出了一种方法,通过标准护理的动态增强磁共振成像,准确地分割乳房中的所有主要组织类型,包括:胸壁、皮肤、脂肪组织、纤维腺组织、血管和肿瘤;我们的方法在肿瘤分割上取得了卓越的 Dice 指数,同时在其他研究的组织上保持了竞争性能;通过集成多个相关的肿瘤周围组织,我们的工作可以在乳腺癌分期、预后和手术规划等临床应用中发挥作用。
Nov, 2023
介绍了 Cancer-Net BCa,这是一个包含 253 例临床前乳腺癌患者 CDI$^s$ 成像数据的多机构开放数据集,可用于通过机器学习加速癌症诊断和治疗的全球开源倡议。
Apr, 2023
为了更广泛地将自动脑肿瘤分割算法应用于临床,建立了 Brain MR 图像合成基准(BraSyn),用于基准测试图像合成方法来合成缺失的 MRI 模态,以实现多模态且多样化的数据集。
May, 2023
针对脑癌中最具侵略性和最致命的类型之一,我们提出了一种新的方法,BRAINNET,利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜,该方法在 MRI 图像中获得了前所未有的高准确率。
Nov, 2023
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
该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类 Dice 损失函数,该方法可以降低特征提取难度,并显著提高模型性能,在验证集上能够与目前最先进的方法相媲美,在完整肿瘤,肿瘤核和增强肿瘤方面的 Dice 分数分别为 0.70249,0.88267 和 0.73864。
Mar, 2022
这项数据整理工作介绍了诊断性乳腺 MRI 检查中获得的首个大规模径向 k - 空间和 DICOM 数据的乳腺 DCE-MRI 数据集。我们的数据集包括指示患者年龄、更年期状态、病变状态(阴性、良性和恶性)以及每个病例的病变类型的案例级标签。该数据集及其重建代码的公开可用将支持快速和定量的乳腺图像重建和机器学习方法的研究和发展。
Jun, 2024
BraTS 2021 challenge focuses on benchmarking brain glioma segmentation algorithms and tumor classification based on mpMRI data from 2,040 patients, with performance evaluation on Sage Bionetworks Synapse platform and Kaggle, and awarding top participants $60,000.
Jul, 2021
通过对多参数 mpMRI 扫描图片(T1w,T1wCE,T2w 和 FLAIR)进行二分类,RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组:训练集、验证集(在训练中使用),以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构,包括三维版本的 Vision Transformer(ViT3D)、ResNet50、Xception 和 EfficientNet-B3,以研究这个问题。我们使用 AUC 作为主要评估指标,在测试集上,ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比,我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集,可以进一步提高。
Jan, 2024