Jun, 2024

强度混淆问题：基于强度 - 距离指导的支气管分割损失函数

PDF
TL;DR通过引入新型的强度 - 距离引导损失函数，自动从 CT 成像中对支气管树进行分割，以解决强度混淆问题，并明确指出该方法在支气管分割中的优势和改进。
bronchial treeautomatic segmentationintensity confusionneural network methodologieshard samples
发现论文，激发创造
  • 利用强度分布监督改进 CT 扫描中的病变分割和检测

    该论文提出了一种新的 CT 扫描中病变区域分割与定位的方法，引入了基于影像亮度直方图的病变概率分布来指导神经网络的训练，该方法可使得肿瘤的检测与分割效果得到显著提高。

    Jul, 2023

  • 一种用于具有不均匀强度和缺失边界图像分割的几何流方法

    本文提出了一种新的强度校正和半自动主动轮廓分割方法，并使用了几何流，包括重现核希尔伯特空间边缘检测器和一组标记和反标记的测地距离惩罚项。通过与一些最先进的方法进行比较，并在 MR 肌肉分割中进行测试，该方法显示出显著更好的结果。与其他方法相比，所提出的方法的平均 Dice 值分别为 92.5％、85.3％、85.3％，对于股四头肌、腿筋膜和其他肌肉群组，其他方法至少差 10％。

    Sep, 2023

  • 利用感染感知对比混合分类提高 COVID-19 严重程度检测的准确性

    本文提出了一种新型的基于感染的 3D 对比混合分类网络用于 COVID-19 胸部 CT 图像的病情评估，通过使用分割网络提取肺部和内部病变区域并使用加权交叉熵损失函数来改进模型性能，分数显著优于基线模型。

    Nov, 2022

  • 面向特征的肺部锥束 CT（CBCT）增强多任务定制感知损失的深度学习框架

    通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

    Nov, 2023

  • 基于无监督对比学习的 Transformer 肺结节检测

    研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

    Apr, 2022

  • 基于模糊注意力的边界渲染网络用于肺器官分割

    该研究介绍了一种名为模糊注意力边界渲染（FABR）网络的有效肺器官分割方法，该方法利用模糊逻辑处理特征提取中的不确定性，通过全局局部立方树融合（GLCF）模块，将肺器官区域描述为立方树，重点关注容易丢失的边界脆弱点，从而实现对严重不连续、假阴 / 假阳性器官区域的渲染，实验结果表明该方法在气道与动脉的四个具有挑战性的数据集上具有显著的性能优势。

    Jun, 2024

  • 混乱细胞实例分割的多类加权损失

    提出了一种新的多类别加权损失函数，用于分割混杂细胞，其中采用了两个权重映射，不仅考虑到类不平衡和细胞几何形状，还使用了 U-Net 进行训练，并且在 T 细胞的显微镜图像上验证了其优越性。

    Feb, 2018

  • SpineCLUE：使用对比学习和不确定性估计的自动椎骨识别

    提出了一种三阶段的方法来解决椎骨水平的 3D CT 椎骨识别中的挑战，通过顺序执行椎骨定位、分割和识别的任务，有效利用椎骨的解剖先验信息，并采用监督对比学习方法进行预训练来解决类间相似性和类内变异性问题，并进一步优化识别结果。

    Jan, 2024

  • 基于能量引导的扩散模型用于 CBCT 合成 CT

    通过能量引导扩散模型（EGDiff），从 Cone Beam CT（CBCT）中生成合成 CT（sCT），在准确提供放射治疗、改善 CBCT 图像质量和 Hounsfield Unit（HU）准确性的同时，保留解剖结构，实验结果表明该方法在准确性和视觉质量上优于现有的非监督合成方法，产生了出色的 sCT 图像。

    Aug, 2023

  • 全三维医学数据中基于概率的三维分割及其不确定性量化

    该研究通过引入 Normalizing Flows 技术，提出了一种基于 3D volumes 的概率分割框架，并在 CT 数据上进行了评估，结果表明该方法可以更准确地捕捉到 3D 空间信息的不确定性，同时以直观的方式提供了不确定性信息，有助于医生做出更明智的决策。

    May, 2023