May, 2024

TotalSegmentator MRI: MR 图像中 59 个解剖结构的序列无关分割

PDF
TL;DR我们开发了一个开源且易于使用的分割模型，可以独立于 MR 序列，自动且鲁棒地对大多数主要解剖结构进行分割。
segmentation modelanatomical structuresmr imagestotalsegmentatordice score
发现论文，激发创造
  • MRAnnotator: 一个用于 MRI 分割的多解剖结构深度学习模型

    通过开发深度学习模型，实现 MRI 图像上多解剖结构和众多类别的分割。

    Feb, 2024

  • MRSegmentator: MRI 和 CT 序列中 40 个类别的鲁棒多模态分割

    提出了一个能够在 MRI 扫描中进行多器官分割的深度学习模型，通过解决 MRI 分析中分辨率、标准化强度值和序列可变性的挑战，为当前的 MRI 分析限制提供了解决方案。

    May, 2024

  • MRISegmentator-Abdomen: T1 加权腹部 MRI 的全自动多器官和结构分割工具

    提出了一种名为 MRISegmentator 的 T1 加权腹部 MRI 序列的自动、准确和可靠的 62 个脏器和结构的分割工具，具有加速疾病诊断、放射治疗和异常检测等临床研究的潜力。

    May, 2024

  • SegmentAnyBone：MRI 上任意位置通用骨骼分割模型

    我们提出了一种通用的深度学习模型，用于对 MRI 骨骼进行分割，可在多个标准 MRI 位置进行全自动分割，并提供提示式分割。

    Jan, 2024

  • 使用深度学习在 CT 和 MRI 上对软组织肿瘤进行最小交互分割

    我们开发了一种最少交互的基于深度学习的肿瘤分割方法来有效地在 CT 和 MRI 上分割不同类型的软组织肿瘤，具有对之前未见过的表型和成像模式的稳健泛化能力。

    Feb, 2024

  • 应用深度神经网络进行解剖学脑分割

    采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

    Feb, 2015

  • 自动腹部 MRI 器官分割：基于 CT 标签生成的合成数据的应用

    利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

    Mar, 2024

  • 基于 3D 全身 CT 扫描的全面、高效和可预警解剖结构分割模型

    本研究提出了一种综合且可扩展的 3D SAM 模型，名为 CT-SAM3D，用于全身 CT 分割，通过使用一个（几乎）完全标记的 CT 数据集，建立了一个 3D 可提示的分割模型。我们的模型可以有效地响应更高维度的空间提示，通过减少大规模器官的交互提示工作量，以较少的点击提示显著提高了所有以前基于 SAM 的模型的定量性能。

    Mar, 2024

  • 卷积神经网络在 MR 脑图像自动分割中的应用

    使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

    Apr, 2017

  • 使用深度学习进行大规模多中心 CT 和 MRI 胰腺分割

    我们收集了一系列来自五个中心的大规模 MRI 扫描数据集，并开发了一种名为 PanSegNet 的新的胰腺分割方法，其在交叉模态和交叉中心设置下的 Dice 系数分别达到了 88.3%（使用 CT），85.0%（使用 T1W MRI）和 86.3%（使用 T2W MRI）。

    May, 2024