Jun, 2024

CU-Net：一种用于BraTS 2019数据集上高效脑肿瘤分割的U-Net架构

HTML
PDF
TL;DR使用Columbia-University-Net (CU-Net)架构和BraTS 2019数据集，本研究提出了一种精确分割脑肿瘤的新方法，该方法通过卷积层、最大池化和上采样操作构建对称U型结构的CU-Net模型，Dice系数高达82.41%，超过了其他两个最先进的模型，这种分割准确性的提升突显了该模型的鲁棒性和有效性，有助于精确确定肿瘤边界，对于手术规划和放射治疗至关重要，最终有潜力改善患者预后。
发现论文，激发创造
  • BRATS2017挑战赛中的脑肿瘤分割及放射组学生存预测

    本文介绍了一种利用卷积神经网络的特征加上数据增强和 Dice 损失函数的方法，成功应用于大脑肿瘤的分割，同时在乳腺癌核分裂图像的分割中也有着广泛的应用。

    Feb, 2018

  • nnU-Net用于脑肿瘤分割

    本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时，我们的最终集成在整个肿瘤中，肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03，HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。

    Nov, 2020

  • H2NF-Net应用多模态MR成像用于脑肿瘤分割：作为2020 BraTS挑战赛分割任务的第二名解决方案

    本论文提出了一种混合高分辨率和非局部特征网络（H2NF-Net）来在多模态MR图像中对脑肿瘤进行分割，使用单一和级联的HNF-Nets来分割不同的脑肿瘤亚区域，并将预测合并作为最终分割。在BraTS 2020数据集上训练和评估模型，结果表明单一和级联模型的组合分别达到了增强肿瘤、整个肿瘤和肿瘤核的平均Dice分数为0.78751、0.91290和0.85461，以及Hausdorff距离（95%）分别为26.57525、4.18426和4.97162。我们的方法在BraTS 2020挑战中的分割任务中获得了第二名。

    Dec, 2020

  • 优化U-Net用于脑肿瘤分割

    本文通过一项消融研究，建议了优化的U-Net架构用于BraTS21挑战的脑肿瘤分割任务，并在NVIDIA Deep Learning Examples GitHub仓库中开源了代码来重现我们的BraTS21提交。

    Oct, 2021

  • FMG-Net与W-Net：基于多重网格的医学图像分割深度学习架构

    该研究使用FMG-Net和W-Net两种方法，结合几何多重网格方法，以解决卷积神经网络在医疗影像分割中难以处理细节和尺度变化等挑战。试验表明，这两种方法都优于目前主流的U-Net模型，对BraTS多标签脑肿瘤分割任务在精度和训练效率方面都有很大提升。

    Apr, 2023

  • 基于残差变换器的脑肿瘤分割的集成学习

    提出了一种将Transformers集成到自适应U-Net中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

    Jul, 2023

  • 将边缘融入U-Net模型并使用可解释的激活图进行脑肿瘤分割，基于MR图像

    通过使用边缘地面真实度的方法，与基线U-Net和其变种相比，边缘目标训练的模型在核心瘤区域表现良好，并且获得与Swin U-Net和混合MR-U-Net等基线最先进模型相似的性能，这些边缘训练的模型能够生成对于治疗规划有用的边缘图。此外，为了进一步解释结果，研究了混合MR-U-Net生成的激活图。

    Jan, 2024

  • 混合多头关注式三维Unet用于脑肿瘤分割

    提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

    May, 2024

  • 基于放射学信息的深度学习级联方法进行儿童脑肿瘤分割

    本研究针对儿童患者的弥漫性内在脑桥胶质瘤和弥漫性中线胶质瘤的分割难题，提出了一种改进的深度学习级联模型，通过自适应的nnU-Net方法精确实现脑肿瘤亚结构的分割。研究结果显示，新的方法在BraTS-PEDs 2024挑战中表现优异，显著提高了肿瘤分割的准确性和鲁棒性，具有重要的临床应用潜力。

    Oct, 2024

  • 多尺度轻量级脑肿瘤分割网络MBDRes-U-Net

    本研究针对脑肿瘤分割中的高计算负担问题，提出了一种名为MBDRes-U-Net的轻量级模型。该模型通过集成多分支残差块和融合注意力的方法，利用多模态图像中的丰富局部特征来增强分割性能，显著减少计算开销，并在脑肿瘤分割挑战赛数据集中展示了其高精度的分割效果。

    Nov, 2024