Jun, 2024

AI 放射科医生：用卷积神经网络和医师友好的图形用户界面革新肝组织分割

PDF
TL;DRAI Radiologist 是一种使用卷积神经网络进行肝脏组织分割和三维插值的图像处理工具，通过现有的体积和预训练模型的选择，为临床医生提供了方便的肝脏组织分割方法。
artificial intelligenceconvolutional neural networksliver tissue segmentationgraphical user interfacestate-of-the-art models
发现论文，激发创造
  • 使用卷积神经网络和图割自动定位及分割三维肝部影像

    该研究提出了一种基于深度学习和图割优化的自动肝脏分割算法，可在临床设置中实现高效而准确的肝容积估算，可替代耗时且不可重复的手动分割方法。

    May, 2016

  • 使用深度学习的检测辅助肝部病变分割

    本文使用卷积神经网络从计算机断层扫描中分割肝脏及其损伤部位，并通过检测器本地化损伤，提高了分割网络的准确性。

    Nov, 2017

  • 使用深度卷积神经网络方法自动进行肝脏病变分割

    利用深度卷积神经网络，以 2.5D 方式对肝脏 CT 图像进行分割，并在 130 个 LiTS 训练数据集上进行训练，在 70 个测试 CT 扫描上取得了平均 Dice 分数 0.67，时隔 ISBI2017 会议后获得了该领域的第一名。

    Apr, 2017

  • 使用级联完全卷积神经网络自动分割 CT 和 MRI 体积中的肝脏和肿瘤

    该论文利用级联全卷积神经网络自动进行肝脏和肝脏病变的分段，以实现高质量的医学影像分析和临床诊断。论文结果表明，其分割结果和计算时间均较为准确和快速。

    Feb, 2017

  • 基于级联全卷积神经网络和三维条件随机场的 CT 肝脏和病变自动分割

    本文介绍了使用级联的全卷积神经网络和密集的 3D 条件随机场来自动分割 CT 腹部图像中的肝脏和病变的方法，实现了对肝脏和病变的语义分割，其 Dice 分数超过 94％，每个体积计算时间低于 100 秒。

    Oct, 2016

  • 使用对抗式图像到图像网络进行肝脏自动分割

    本文提出了一种自动高效的算法（DI2IN），利用卷积编码器 - 解码器结构和深度监督联合多级特征级联，采用对抗网络进行训练来辅助区分 DI2IN 的输出和真实数据，最终证明本方法在各种扫描协议和人群差异情况下能够取得比现有解决方案更高的肝脏分割精度和计算效率。

    Jul, 2017

  • 无标记肝肿瘤分割

    本研究利用合成肝癌在 CT 扫描中表现真实准确，以此训练 AI 模型实现肝癌分割，并且能够自动生成小型 (甚至微小的) 合成肝癌的多个样本，为提高肝癌早期检测成功率和评估 AI 鲁棒性提供新思路。

    Mar, 2023

  • 基于联合肝分割的肝脏病变分割

    提出了一种用于计算机断层扫描（CT）图像中肝脏和肝脏病变联合分割的模型，该模型利用两个全卷积网络并置并端对端联合训练；在 2017 年 MICCAI 肝肿瘤分割挑战赛中，我们的方法在多种评估指标上达到了竞争性的肝脏和肝脏病变检测与分割分数，不同于其他表现优秀的方法，我们的模型不需要使用外部数据，并提出了一个简单的单阶段模型进行端到端的训练。然而，我们的方法几乎达到了顶尖的病变分割性能，并在保持高召回率的情况下实现了第二高的病变检测精度。

    Jul, 2017

  • 一个完全自动化的肝脏病变和病理淋巴结的检测和分割流水线

    本文提出了一种利用机器学习技术进行肝脏和淋巴结中癌变病灶精确鲁棒检测和分割的全自动方法，验证表明此方法对高度多样化的病灶具有较好的鲁棒性。

    Mar, 2017

  • 基于深度变体搜索算法集成高级注意力机制的肝肿瘤预测

    提出了一种利用卷积神经网络和基于深度的变体搜索算法与先进的注意机制（CNN-DS-AM）预测肝脏肿瘤的新方法，证明了将注意机制和基于深度的变体搜索算法结合到卷积神经网络模型中是提高肝肿瘤预测的准确性和鲁棒性的有希望的方法，可以协助放射科医生进行诊断和治疗规划，预测肝脏肿瘤的准确率达到了 95.5% 以上，优于其他最先进的方法。

    Nov, 2023