May, 2024

分层损失和几何面罩优化的多标签肋骨分割

PDF
TL;DR通过引入具有分层损失函数的多标签肋骨分割模型，我们提出自动肋骨分割和编号技术，以提高计算机断层扫描评估速度并减少放射科医生的错误。我们的模型在公开数据集 RibSeg v2 上取得了 98.2% 的准确性，较之前的结果提高了 6.7%。
发现论文，激发创造
  • 基于深度学习的肋骨中心线提取和标记

    本文提出了一种基于深度学习的方法来自动从 CT 扫描中提取和标记肋骨中心线，并在 116 名患者的 CT 扫描中取得了较高的精度。

    Sep, 2018

  • 胸部 CT 扫描的多任务学习：分类、分割、重建和检测

    肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的，因此，多任务学习是一种从少量医学数据中提取重要特征（如病灶）的方法，因为它能更好地进行泛化。我们提出了一种新颖的多任务框架，用于分类、分割、重建和检测。据我们所知，我们是第一个将检测添加到多任务解决方案中的研究者。此外，我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。

    Aug, 2023

  • 胸部放射学图像的肋骨骨折检测的深度全监督学习

    本文提出了一种新的 omni-supervised 目标检测网络 ORF-Netv2 以尽可能地利用全部可用的监督信息，特别是针对刻画医疗数据的挑战性，该网络结合多种型号监督训练出一个多分支的 omni-supervised 检测头，并提出基于协同训练的动态标签分配策略，从而灵活、稳健地从弱标签和无标签数据中学习。这个 framework 在三个肋骨骨折数据集上获得了显着效果。

    Jun, 2023

  • 通过体积伪标记实现射线图中人体解剖结构的精确细分

    本研究通过三维计算机断层扫描的伪标记提取 CXR 的精细解剖结构，为 CXR 的语义分割建模提供了可行方法，可以在不需要人工干预的情况下实现精细的解剖分割。

    Jun, 2023

  • 用于胸部 X 光图像多类别分割的全卷积架构

    本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

    Jan, 2017

  • 具有区域级集损失的弱监督通用病变分割

    该论文提出了一种基于 HRNet 的弱监督方法，称为 AHRNet，通过区域级别集合（RLS）损失进行优化，可实现精准的通用病变分割，实验证明在公共数据集 Deeplesion 上取得了最佳表现。

    May, 2021

  • 自主肋间超声成像中针对 Class-A 的软骨分割实现 US-CT 配准

    通过使用神经网络实现软骨骨分割和基于骨骼图的非刚性配准方法，能够精确地将 CT 通路映射到个体患者上，提高内脏器官的可视性。

    Jun, 2024

  • 多任务学习以改善使用图像重建的 CBCT 扫描的语义分割

    通过多任务学习改进 CBCT 的自动分割，探索了基于整体和基于块状的方法，发现多任务学习在大多数情况下改善了分割效果，并且我们的去噪方法进一步提高了这些结果。

    Dec, 2023

  • 深度学习在放疗中实现头颈解剖的临床可应用分割

    采用深度学习方法，训练了一种 3D U-Net 架构的自动分割算法，成功实现了 21 个头颈部放射敏感器官的自动分割，同时引入了表面 Dice 相似系数（surface DSC）一种能更好地反映纠正自动分割错误的临床任务的新指标，表明该模型在不同研究中心和国家具有较强的泛化能力，并可通过适当的验证研究和监管审批实现提高放射治疗路径的效率、一致性和安全性的目标。

    Sep, 2018

  • 使用深度学习和胸部 CT 放射学特征进行自动化 5 年死亡率预测

    通过胸部计算机断层扫描和分割多种解剖结构的地图，提出使用分类器预测老年人 5 年死亡率的新方法。所提出的模型可在预防和个性化医疗方面产生深远影响。

    Jul, 2016