Jun, 2024

多发性硬化症损害分割中的实例级定量显著性

PDF
TL;DR本研究提出了两种基于 SmoothGrad 和 Grad-CAM++ 方法的实例级解释映射，用于语义分割的高可解释性人工智能模型，通过对白质病变的磁共振成像进行检测和分割，揭示了这些方法的相关性，以及分割病变所需的周围组织信息。
explainable methodssemantic segmentationinstance-level explanation mapswhite matter lesionssaliency maps
发现论文，激发创造
  • 基于注意力机制的卷积神经网络在 FLAIR 图像中的多发性硬化症病变分割

    使用 FLAIR 影像的卷积神经网络来自动分割多发性硬化症的病变，该方法在测试中表现显著优于其他现有的方法。

    Jan, 2022

  • 基于级联 3D 卷积神经网络方法的自动化多发性硬化病变分割改进

    本文介绍了一种基于三维卷积神经网络的级联模型用于多发性硬化患者影像的白质病变分割方法，并在公共数据集 MICCAI2008 和两个私有临床数据集上进行了精度评估，表现优于其他已知方法。

    Feb, 2017

  • 构建准确且普适的多发性硬化症病灶分割模型：自我集成病灶融合

    利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，不需要进一步的修改，同时具备实例归一化，而非文献中广泛使用的批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。

    Dec, 2023

  • 基于深度神经网络的多发性硬化症病变和神经解剖分割

    本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

    Jan, 2019

  • 使用卷积自编码器从 MRI 进行无监督的脑部损伤分割

    本研究使用卷积自编码器方法，通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病，性能远优于传统人工标注和现有自监督方法。

    Nov, 2018

  • 多发性硬化全脑与病变同时分割对比适应方法

    提出了一种对多发性硬化患者进行多序列脑 MRI 扫描的白质病变和正常神经解剖结构同时分割的方法，并通过四个不同的数据集验证了该方法的高鲁棒性。

    May, 2020

  • 多尺度卷积堆叠聚合用于鲁棒性白质高信号区域分割

    使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

    Jul, 2018

  • 使用分割置信度卷积神经网络自动检测多发性硬化症病变负荷变化

    针对多发性硬化症患者康复过程中的病变检测，本文提出了一种新的自动化分割算法，通过识别病变变化的高确定性来较好地分离稳定型和进展型患者，高于常用的体积变化方法。在个体患者方面，变化的衡量不足以确立无病情进展，直接检测非病变到病变的组织变化是一种切实可行的方法。

    Apr, 2019

  • 基于影响力的多模态磁共振成像下脑肿瘤分割解释性

    近年来，人工智能已成为医疗应用的基本工具。尽管存在快速发展，但深度神经网络仍然是难以解释的黑匣子，这是它们在临床实践中使用的主要限制。我们的重点是医学图像分割任务，目前提出的大多数可解释性方法在视觉解释方面提供输入显著性图。本文旨在扩展、实施和测试一种基于影响力的可解释性算法 TracIn，该算法最初针对分类任务，在具有挑战性的临床问题中，即多模态磁共振成像中的肿瘤脑部的多类别分割。我们通过将网络的潜在表示与 TracIn 输出的相似性连接来验证所提算法的忠实性。我们进一步测试了该算法提供局部和全局解释的能力，并建议它可以作为选择决策过程中使用的最相关特征的工具。该方法适用于所有语义分割任务，其中类是相互排斥的，这是这些情况下的标准框架。

    Apr, 2024

  • 基于迁移学习的脑部损伤分割元分析

    本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

    Jun, 2023