May, 2024

使用全卷积网络对经过处理和未经处理的肿瘤球体进行图像分割

PDF
TL;DR利用 UNet 和 HRNet 两种完全卷积网络，并优化其超参数，实现了对未经处理和处理后的多细胞瘤球的自动分割，通过与手动分割的重叠度验证，得出重叠度在 90% 左右，这个误差与不同生物专家的分割之间的差异相当，表明这些图像代表着生物学上不明确或模糊的情况。
multicellular tumor spheroidscombinatorial radio(chemo)therapyspheroid segmentationautomatic segmentationcellular radioresponse
发现论文，激发创造
  • 使用机器学习图像分割进行三维组织培养的无损定量生存力分析

    提出了一种用于 3D 培养的细胞存活性的图像处理算法，具有消除基于试剂的指标的需求，通过使用高内容成像系统，能够在个体瘤球和整体培养基水平上成功跟踪细胞存活性，分析时间较专家减少了 97％。这种方法不受显微镜或成像系统的限制，为推动生物和临床研究中 3D 培养分析的进展提供了基础，同时提高了分析的鲁棒性和可复现性。

    Nov, 2023

  • CT 影像中小体积的深度学习分割在放射治疗计划中的应用

    通过优化 V-Net 模型的器官分割算法，提高小体积器官的分割精度，特别是眼球晶状体的分割，在医学影像中取得了显著的改进。

    Apr, 2024

  • 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

  • 针对恶性胸膜间皮瘤的卷积神经网络分割：概率图阈值分析（CALGB 30901，Alliance）

    评估使用卷积神经网络生成的恶性胸膜间皮瘤（MPM）肿瘤分割图像的概率映射阈值对肿瘤轮廓的影响。

    Nov, 2023

  • 使用 U-Net 算法在 CT 序列中分割进行全骨髓放疗的计划治疗区域

    本文介绍了一种基于深度学习的自动轮廓绘制方法，用于对人体进行放射治疗的规划。我们通过对 100 位 TMLI 患者的数据集进行模型训练并对结果进行评估，得到了非常有前途的结果，并有望帮助辐射肿瘤科医生更加高效地治疗更多的患者。

    Apr, 2023

  • 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

  • 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

  • 具有不确定性量化的肝脏肿瘤分割的各向异性混合网络

    研究表明，肝肿瘤是重要的负担，是癌症死亡的第四大原因。为了指导治疗策略，我们提出比较两种基于各向异性模型的管道方法，对肝脏和肿瘤进行分割，同时提出了一种不确定性量化策略用于识别潜在的假阳性肿瘤病变。

    Aug, 2023

  • 使用级联完全卷积神经网络自动分割 CT 和 MRI 体积中的肝脏和肿瘤

    该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。

    Feb, 2017

  • 对比增强 CT 成像中肾脏和肾瘤分割的最新技术：KiTS19 挑战的结果

    本文研究利用基于深度学习的自动三维分割方法识别肾脏肿瘤并自动量化其形态，提供 210 多个样本的训练集和约 90 个样本的测试集。

    Dec, 2019