May, 2024

运用人工智能对 T2 磁共振成像中的腰椎肿瘤进行分割和定位

PDF
TL;DR通过引入一种新的数据增强技术，本研究旨在自动化脊柱肿瘤的分割和定位，利用医学影像中专家绘制的预定义掩模，结合模糊 c 均值聚类和随机森林算法的融合，实现了成功的脊柱肿瘤分割和分类，同时使用 3D 椎体分割和标注技术精确定位了腰椎肿瘤的确切位置。该方法表现出卓越的性能，获得了 99% 的肿瘤分割准确率、98% 的肿瘤分类准确率和 99% 的肿瘤定位准确率，超过了现有最先进技术的有效性，改进了脊柱肿瘤的检测和表征诊断能力，从而促进了更有效的临床决策。
medical imagingspinal tumorsdata augmentationsegmentationai approaches
发现论文，激发创造
  • 基于修改注意力 Unet 的腰椎全景分割与标记

    基于改进的注意力 U-Net 架构的增强方法用于腰椎 3D 切片 MRI 数据的全景分割来实现 99.5% 的准确率

    Apr, 2024

  • 使用深度图像到图像网络，结合信息传递和稀疏正则化方法，在大规模三维 CT 中自动标记椎骨

    本研究提出一种自动定位和标记三维医学图像中椎体中心的算法，使用 DI2IN 进行初始化，使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进，最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。

    May, 2017

  • MR 图像中腰椎分割：数据集和公共基准

    本文介绍了一个公开的包含多个研究中心的腰椎磁共振成像（MRI）数据集，其中包括底部疼痛病史的 218 名患者的 447 个 MRI 系列，并使用迭代数据标注方法训练了一个分割算法，该算法提供了基准算法和相似的 nnU-Net 引擎性能基准，并且可以用于比较不同的分割算法的公正性连续分割挑战。

    Jun, 2023

  • 使用多尺度卷积神经网络的深度学习方法进行脑肿瘤分类和分割

    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

  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    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

  • 突破癌症视界：使用深度学习进行多机构验证的乳腺 MRI 对象定位和 3D 语义分割

    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

  • 基于深度学习的脑肿瘤分类和分割

    该论文提出了一个基于机器学习的系统，通过 MRI 图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。

    Apr, 2023

  • 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

  • VertDetect: 全自动三维椎体实例分割模型

    本文提出了一种全自动的端到端三维椎体实例分割卷积神经网络模型 VertDetect，用于预测 CT 扫描中存在的所有椎体的椎体级别标签和分割，并通过使用脊柱的已知结构改善了椎体标注，取得了端到端架构的最先进性能，其设计可用于下游任务的特征提取。

    Nov, 2023

  • SpineCLUE：使用对比学习和不确定性估计的自动椎骨识别

    提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战，通过顺序执行椎骨定位、分割和识别的任务，有效利用椎骨的解剖先验信息，并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题，并进一步优化识别结果。

    Jan, 2024