本文综述了应用于不同分割框架中的不同类型的先验知识,重点介绍了将先验信息纳入其框架的基于优化的方法,并根据使用的先验知识类型对现有工作进行了分类。研究人员可以通过我们的互动在线数据库更新其研究领域。此外,我们还讨论了能量函数设计的不同方面、存在的问题和未来的前景。
Jul, 2016
本文介绍了Deep Learning技术在医学图像分析中的应用,总结了相关进展,归纳了人体解剖学的分类,分析了该研究方向面临的挑战并提出了未来的发展方向。
Feb, 2019
本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集,其通过多个机构的努力进行生成,成为在2018年举行的一个众包挑战中被使用的数据集。
本文介绍“医学分割十项全能赛(MSD)”的比赛举办及其结论,提出了一种方法,能够在多个任务上表现良好,同时兼顾算法的泛化性能;冠军算法的延续优异表现,验证了这个假设。
Jun, 2021
本文对Segment Anything Model在医学图像中的效果进行了评估,结果表明性能受任务和数据集影响较大,需要进一步研究来适应医学图像领域。
Apr, 2023
本文探讨如何利用Segment Anything Model (SAM)技术进一步提高医学图像的显著性图测试准确性,同时可以泛化到不需要人类注释的测试方法,并研究SAM在医学领域中的应用和挑战,这包括图像预处理,自然语言建议以及SAM在多个医学成像数据集上的准确性。
Jun, 2023
通过对Contrastive Language-Image Pre-training (CLIP)在医学成像领域中的深入探索,本综述论文旨在为医学图像分析领域的研究人员提供对CLIP范式及其潜在影响的整体理解。
Dec, 2023
通过综述快速模型(SAM)在医学图像分割领域的应用,本文总结了对SAM在医学图像分割任务中的有效性进行扩展的最近努力,并探讨了未来SAM在医学图像分割中的研究方向。尽管直接应用SAM到多模态和多目标医学数据集的图像分割上表现不够令人满意,但从这些努力中得到的众多见解对于塑造医学图像分析领域的基础模型的发展轨迹起到了宝贵的指导作用。
Jan, 2024
该研究介绍了一种通过自动索引和语义增强来提高临床CT图像系列的可发现性、可访问性、可互操作性和可重用性的方法,使用HL7 FHIR资源对元数据进行标准化,以提供医学影像数据的易发现性并促进互操作性,为医疗人工智能应用的大规模集成和索引提供了基础。
Jun, 2024
本研究解决了医学高光谱成像中由于标注数据有限和临床协议差异导致的分割挑战。提出了一种基于涂鸦的互动分割框架,结合深度学习和用户提供的涂鸦生成的测地距离图,实现更准确的分割效果。实验结果表明,与传统的分割方法相比,该方法在分割结果上具有显著提升,具有重要的临床应用价值。
Aug, 2024