利用深度分离卷积和注意力机制增强广义胎儿脑磁共振图像分割的级连网络
基于多阶段深度学习及多图谱分割,提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割,无需标记数据进行训练,达到了与 nnU-Net 相似性能和推断时间。
Jul, 2023
本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络,用于实时分割胎儿 MRI 切片中的胎儿大脑,并将其与其他两种方法进行比较,在正常和具有挑战性的测试集中取得了优异的性能表现。
Oct, 2017
本文提出了一种改进的 UNet 结构,称为 SLCA UNet,它结合了残差密集块、分层注意力和通道注意力模块,以及堆叠卷积。在脑肿瘤分割上,该方法在 BraTS 2020 数据集上表现良好,平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。
Jul, 2023
本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型,利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构,采用标签平滑方法进行多噪声训练,使输出更准确,经测试后得到了更好的分割结果,有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。
Mar, 2022
该研究介绍了一种新的人工智能应用于胎儿脑功能磁共振成像 (fMRI) 的大脑分割自动化方法,并对不同 AI 模型在胎儿 fMRI 大脑分割中的性能进行了评估和分析。
Nov, 2023
本文提出了使用级联卷积神经网络从心脏 MRI 图像中,自动分割心肌梗死相关区域的方法,并在 MICCAI 2020 EMIDEC 数据集上,取得优异的分割表现。
Dec, 2020
提出了一种轻量级分割架构 GCtx-UNet,可以捕获全局和局部图像特征,其精度优于或与最先进方法相媲美。GCtx-UNet 在多器官腹部 CT 数据集、ACDC 心脏 MRI 数据集和多个息肉分割数据集上进行了评估,在 Dice 相似系数和 Hausdorff 距离指标方面,超过了基于 CNN 和 Transformer 的方法,在复杂和小型解剖结构的分割中取得显著收益。此外,GCtx-UNet 比最先进的方法更高效,模型尺寸更小,计算负载更低,训练和推理速度更快,使其成为临床应用的实用选择。
Jun, 2024
通过使用时飞磁共振血管成像等技术,本文提出了 3D 脑血管关注 UNet 方法,并通过交叉验证和标注数据验证了其在精确识别脑血管结构方面的优越性。
Nov, 2023
这篇研究论文介绍了一种基于 U-Net 的 MRI 算法,结合了残差网络和用于增强上下文信息的模块,还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率,并提升了脑肿瘤的三维重建精度,以及图像分类的效率。
May, 2024
本文提出一种新的方法通过采用自动上下文来利用多尺度堆叠 3D FCN 金字塔,从而提高分辨率执行语义分割。 我们在手动注释的 377 个胃手术的 CT 影像数据集上训练和验证模型,并获得近 90%的 Dice 分数。
Jun, 2018