Jun, 2024

非小细胞肺癌分割：引入 DRU-Net 和多镜头变形

PDF
TL;DR我们提出了一个分割模型 (DRU-Net)，可以提供人类非小细胞肺癌的分割，以及可以改善分类结果的增强方法。该模型是截断预训练 DenseNet201 和 ResNet101V2 的融合组合，作为基于补丁的分类器，随后使用轻量级 U-Net 作为修正模型。我们使用了两个数据集 (Norwegian Lung Cancer Biobank 和 Haukeland University Hospital lung cancer cohort) 来创建我们的模型。DRU-Net 模型的平均 Dice 相似性系数为 0.91。所提出的空间增强方法 (多镜头扭曲) 使网络性能提高了 3%。我们的研究结果表明，选择包含感兴趣区域的图像补丁相对于其他采样方法，在基于补丁的分类器方面能够取得更好的结果。定性分析显示，DRU-Net 模型在肿瘤检测方面通常是成功的。在测试集中，一些情况显示出假阳性和假阴性分割区域，特别是在伴有炎症和反应性变化的肿瘤中。
automated toolsartificial intelligence modelssegmentation modelaugmentation methodnon-small cell lung carcinomas
发现论文，激发创造
  • 一种基于深度学习的自动化端到端肺癌诊断框架，用于检测和分类肺结节

    本研究提出了一个端到端的基于深度学习的自动化框架，用于在低资源环境下实现肺结节的早期检测和分类，并对其进行了评估，结果表明在分割和检测精度方面超过了现有研究，并证明在肺癌筛查方面具有潜在的准确性和效率提高。

    Apr, 2023

  • 肺部影像的自动分割主要是数据多样性问题，而非方法问题

    采用不同的深度学习方法和训练数据集对肺部分割进行比较，结果表明使用多样化的训练数据集可以提高准确性，并且使用 U-net 方法具有更高的 Dice 相似系数。

    Jan, 2020

  • 基于多尺度 MPU-Net 的 3D 医学图像分割

    本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023

  • DeepLung: 用于自动肺结节检测和分类的 3D 深度卷积网络

    本文介绍一种基于深度学习的肺部 CT 自动癌症诊断系统 DeepLung，包括两个部分：结节检测和结节分类，两个 3D 网络分别应用于它们，该系统在 LIDC-IDRI 数据集上获得了与经验医生相似的结节和患者级别的诊断性能。

    Sep, 2017

  • 基于 GRU 网络的乳腺组织病理图像分割

    本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对 MultiResU-Net 的跳跃连接采用控制稠密残差块，以从编码器层向解码器层传递信息，使用从提取的空间特征导出的缩放参数，以控制的方式进行传递。验证实验表明，在 TNBC 和 MonuSeg 等两种不同类型的乳腺癌组织病理学图像数据集上，与现有方法相比，该方法展现出卓越的分割性能。该模型的代码可在该 https URL 找到。

    Jun, 2024

  • 增强乳腺癌分割和识别的多注意力集成深度学习框架

    本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

    Jul, 2024

  • DeepLung: 深度 3D 双路径网络用于自动肺结节检测和分类

    本论文提出了基于自动化的深度学习算法的 Lung CT 肺癌诊断系统 DeepLung，该系统由结节检测和分类两个组件组成，其中结节检测使用 3D Faster R-CNN 和 3D 双路径块，结节分类使用 3D 双路径网络特征的梯度提升机（GBM）进行，DeepLung 系统在 LIDC-IDRI 公共数据集上的实验结果表明，该系统在结节级别和患者级别诊断性能与经验医生相当。

    Jan, 2018

  • 评估基于深度学习模型使用不确定性分数进行前列腺癌分割的性能

    比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

    Aug, 2023

  • 深度学习模型在 X 射线图像肺部分割的比较分析

    本研究评估深度学习解决方案在 X 射线图像的肺部分割方面的可靠性和高准确性，对 61 篇研究论文进行分析，只有九篇提供了实施或预训练模型，最终评估 CE-Net 表现最佳，其 Dice 相似系数和交集比例度量值最高。

    Apr, 2024

  • 基于深度学习的大脑图像分割技术用于自动肿瘤检测

    该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用 3D U-Net 模型，通过大规模的脑 MRI 扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

    Apr, 2024