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
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
研究探索了在深度神经网络中基于蒙特卡罗Dropout的多种不确定性估计方法,提供了四种不同的体素级别的不确定性度量,可用于医学图像中的病变检测和分割。经实验结果表明,使用不确定性度量能够比仅使用网络的Sigmoid输出作为概率选择更好的操作点。
Aug, 2018
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
本文介绍了一种用于脑部损伤分割的半监督学习方法,借助未标记的数据提高了卷积神经网络的性能,并通过实验在缺乏注释的数据上获得了良好的结果。
Mar, 2019
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
通过神经网络和特定训练模型,针对小型脑转移瘤的检测和分割问题进行研究,提高了检测性能并参与了2023年ASNR-MICCAI BraTS脑转移瘤挑战。
Oct, 2023
脑卒中已经成为全球健康负担,因此我们需要治疗方法和预防策略来克服这一挑战。在此工作中,我们考虑了公开可用的数据集ATLAS v2.0,以评估各种端到端有监督的U-Net风格模型。我们在2D变换器模型上达到了最高的Dice得分0.583,在3D残差U-Net模型上达到了0.504。我们对3D模型进行了Wilcoxon测试,以确定预测和实际中风体积之间的关系。为了可复现性,代码和模型权重已公开提供。
本研究选择了四种深度模型进行中风分割,即纯Transformer结构(DAE-Former),两种带有注意机制的先进CNN模型(LKA和DLKA),一种将CNN与Transformer结合的高级混合模型(FCT),以及以给定数据为基础的自适应nnUNet框架,并在两个公开可用的数据集上进行了评估,结果表明nnUNet在所有模型中具有最简单的设计,并通过强调预处理和后处理技术来提高分割结果,超越了仅关注架构设计的重要性。
Mar, 2024
2022年缺血性卒中病灶检测和分割的集成算法能对扩散加权磁共振成像(DWI)图像进行准确分析,与专家相媲美,并具有临床应用的潜力。