Jun, 2024

ULS23 挑战：用于计算机断层扫描中三维通用病灶分割的基线模型和基准数据集

PDF
TL;DR在肿瘤患者的随访 CT 检查中，肿瘤体征的尺寸测量对于评估治疗效果至关重要。高效的病变分割能够加速放射学工作流程。我们引入了 ULS23 基准，用于胸腹盆 CT 检查中的 3D 通用病变分割。该基准包含了胰腺、结肠和骨骼等各种挑战性的病变类型，在 284 名患者中共计包含 38,693 个病变。我们还开发并公开发布了我们的基线半监督 3D 病变分割模型。该模型在挑战测试集上取得了平均 Dice 系数为 0.703±0.240 的成绩。我们邀请持续提交以推动未来 ULS 模型的发展。
发现论文，激发创造
  • 通过学习多个异质标记数据集实现通用病变检测

    提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

    May, 2020

  • 用于腹部计算机断层扫描的器官分割与肿瘤检测的通用可扩展的语言 - 视觉模型

    提出了一种通用可扩展模型，利用人工智能技术进行器官分割和肿瘤检测，具有强大的计算效率和泛化能力，同时能够适应多种公开数据集和新类别，减轻以往类别的遗忘。

    May, 2024

  • 肝肿瘤分割基准 (LiTS)

    本文介绍了 Liver Tumor Segmentation Benchmark（LiTS）的设立以及结果，其中包括 131 个计算机断层扫描（CT）体积训练的 75 个肝脏和肝脏肿瘤分割算法，并使用 70 个从不同患者获取的测试图像进行测试。结果表明，没有一种算法在三个事件中都表现最佳，并且最好的肝脏和肝脏肿瘤分割算法的 Dices 分数分别为 0.963 和 0.674（ISBI 2017）、0.702（MICCAI 2017）和 0.739（MICCAI 2018）。同时，该研究也为关于肝脏相关分割任务的研究提供了一个活跃的基准和资源。

    Jan, 2019

  • AutoPET Challenge 2022：基于深度学习和 FDG PET/CT 的全身肿瘤病灶自动分割

    本研究提出一种新的深度学习模型训练策略，用于构建能够对肿瘤进行系统分割的 PET/CT 肿瘤分割模型，该方法基于 AutoPET 2022 挑战赛的训练集进行验证，并在预测试集上实现了 0.7574 的 Dice 分数、0.0299 的假阳性体积和 0.2538 的假阴性体积，代码已在链接中提供。

    Aug, 2022

  • 探索用于 MICCAI 2023 肾脏与肿瘤分割挑战的 3D U-Net 训练配置和后处理策略

    探索了在 CT 图像中精确分割肾脏、囊肿和肾肿瘤的各种 3D U-Net 训练配置和有效后处理策略，并通过 2023 肾脏和肾肿瘤分割（KiTS23）挑战数据集的验证，在未见过的测试数据上取得了第二名的最终排名，平均 Dice 系数为 0.820，平均 Surface Dice 系数为 0.712。

    Dec, 2023

  • 使用多标签方法改进 FDG-18 全身 PET/CT 扫描中的病变分割：AutoPET II 挑战

    使用深度学习模型自动分割 FDG-18 全身 PET/CT 扫描中的病变对于确定治疗反应、优化剂量和推进癌症治疗应用至关重要。然而，器官存在放射性示踪剂摄取增加，如肝脏、脾脏、脑和膀胱，导致深度学习模型经常将这些区域错误地识别为病变，为解决这个问题，我们提出了一种新的方法，旨在分割器官和病变，以提高自动化病变分割方法的性能。

    Nov, 2023

  • 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

  • 基于轻量级伪三维卷积和表面点回归的深度体积通用病变检测

    提出了一种基于深度学习的方法，采用 P3DC 操作符和 SPR 方法对 3D CT 扫描中的病变进行准确和全面检测和计量，结果表明该方法在公共和本地数据集上都取得了优秀的表现，适用于大规模和小规模数据集。

    Aug, 2020

  • 一个基于 2.5D ResUnet 模型的肾脏和肿块分割集成

    研究中采用 2.5D ResUnet 构建一个高效的粗到细语义分割框架，对 CT 扫描中的肾脏、肾脏肿瘤和肾囊肿进行自动分割。实验结果表明，肾脏、肿瘤和囊肿的 Dice 系数分别为 0.954、0.792、0.691，表面 Dice 系数分别为 0.897、0.591、0.541，平均每个 CT 扫描的推断时间为 20.65 秒，最大 GPU 内存为 3525MB，这表明在模型性能和效率之间取得了更好的平衡。

    Nov, 2023

  • 胸腹部 CT 扫描中的肾脏异常分割

    使用深度学习方法，我们提出了一种肾脏实质和肾脏异常的分割方法，以帮助临床医生识别和量化肾脏异常，如囊肿、病变、肿块、转移和原发肿瘤。我们的方法通过训练 215 例胸腹部增强 CT 扫描，其中一半扫描含有一个或多个异常，实现了肾脏异常的准确分割和肾脏实质的改进分割。最佳模型的 Dice 分数在测试集中表现优异，超过了独立人眼观察者的分数，表明计算机化方法在肾脏异常分割中有进一步改进的潜力。

    Sep, 2023