May, 2024

基于不同脑部疾病和模态的 MRI 数据库联合学习的可行性和益处

PDF
TL;DR通过联合训练多模态 MRI 数据库的不同脑病理学和模态集合，能够实现对训练过程中遇到的病理分割和新型病理的分割，并且提供实际的好处，该方法为今后的研究方向提供了有用的指导。
brain lesionsmulti-modal mrisegmentationjoint learningpathologies
发现论文，激发创造
  • 不同脑疾病和 MRI 模态下的客户数据库联邦学习的可行性

    使用分割模型对脑部病变进行 MRI 分割的研究表明，采用联邦学习的方法可以训练一个单一的模型，该模型能够在包含不同脑部病理和 MRI 模态的分布式数据库中进行有效分割，具有可行性和有效性。

    Jun, 2024

  • 联合自监督和有监督对比学习用于多模态 MRI 数据：走向预测异常神经发育

    利用多模态成像、深度学习和对比学习方法，从多模态 MRI 数据中学习鲁棒的潜在特征表示，将异构特征投影到共享空间，整合不同模态和类似主体间的互补和类似信息，进而提高了异常神经发育的预测能力和计算机辅助诊断的功效。

    Dec, 2023

  • 基于混合模态专家的脑损伤分割基础模型

    我们提出了一个用于三维脑病变分割的通用基础模型，它可以自动分割不同类型和不同成像模态数据的脑病变。我们设计了一种新颖的多模态专家混合框架，利用多个专家网络处理不同的成像模态，并使用分层门控网络将专家预测结果相结合。此外，在训练过程中引入课程学习策略，以避免每个专家网络的退化并保留其专业化。在九个脑病变数据集上评估我们的方法，涵盖了五种成像模态和八种病变类型，结果表明我们的模型优于最先进的通用模型并具有良好的泛化性能。

    May, 2024

  • 不共享病人数据的多机构深度学习建模：基于脑肿瘤分割的可行性研究

    本研究介绍了第一个使用联邦学习实现多机构协作、不共享患者数据的深度学习模型，结果表明它在多模态脑扫描的分割方面的性能与共享数据的训练模型相似，在与另外两种合作学习方法的比较中也取得了最佳结果。

    Oct, 2018

  • 基于模态配对学习的脑肿瘤分割

    本研究介绍了一种新的端到端后模态配对学习方法，它利用了不同模态功能，捕获了多模态之间的复杂关系和丰富信息，并通过平均多个模型和一些后处理技术获得了较好的脑肿瘤分割性能，最终在 BraTS 2020 挑战赛获得了肿瘤分割任务的第二名。

    Oct, 2020

  • 一种病理多模态 MR 图像和分割的 3D 生成模型

    提出了一种基于 generative 模型和 synthetic 数据的 3D 脑 MRI 和分割模型 brainSPADE3D，可以调节病理表型和对比度，生成高保真的合成图像和相关分割，以改善在数据中存在意外病变时的分割模型性能问题。

    Nov, 2023

  • 复杂脑部疾病预测的不完整多模态学习

    本文提出了一种新的不完全多模态数据整合方法，利用变压器和生成对抗网络，利用辅助模态数据来提高单模态模型的性能，并将其应用于预测阿尔茨海默病的认知退化和疾病结果。

    May, 2023

  • MRI 脑肿瘤分级的双重注意力型、跨模态引导多模态学习

    通过 MRI 多模态学习和跨模态指导，提出了一种用于 MRI 脑肿瘤分级的新方法，以准确识别肿瘤类型和等级，并选择精确的治疗计划。

    Jan, 2024

  • 多模态医学图像的多任务深度学习分割

    本文研究使用单个卷积神经网络对不同成像模式下的医学图像进行分割的方法，实验结果表明这种方法在不同任务中具有相当的分割性能，证明了卷积神经网络结构的高容量性。因此，可以在医学实践中使用单个系统进行自动分割任务，而无需进行任务特定的训练。

    Apr, 2017

  • 通过模型自我消歧来学习多源数据的多功能医学图像分割

    通过利用现有数据的局部或稀疏标注分割标签，我们开发了一种成本效益方法来解决与来自不同来源的数据的标签歧义、模态、数据集和分割标签的不平衡相关的挑战，实验结果表明，我们的方法在腹部器官分割的多模态数据集上表现出卓越的性能，凸显出优化现有标注数据使用和减少新数据标注工作以进一步增强模型能力的潜力。

    Nov, 2023