- 自动化双折叠加权集成算法及其在脑肿瘤检测和分类中的应用
提出了两种创新的双层加权投票集成模型,旨在提高加权集成方法的效果,通过选择概率最高的分类结果(第一种方法)和最高加权预测(第二种方法)来确定最优结果。这些方法显著提高了加权集成技术的整体性能,并通过与软投票技术的对比分析证明了其优越性和有效 - SLIMBRAIN: 增强现实实时获取和处理系统 用于体内外科手术的深度信息高光谱分类绘图
SLIMBRAIN 是一个实时获取和处理增强现实系统,适用于从高光谱信息中分类和显示脑肿瘤组织。该系统在肿瘤切除手术过程中以每秒 14 帧的速度捕获和处理高光谱图像,同时实现癌组织的检测和定位。这种可视化表示与 LiDAR 相机捕捉的 RG - 注意力增强的混合特征聚合网络用于三维脑肿瘤分割
基于多尺度关注引导 U-Net 模型以及 Swin Transformer 的三维脑肿瘤分割方法的性能评估。
- 可学习先验改进逆向肿瘤生长建模
通过结合生物物理建模、偏微分方程、逆问题解决和深度学习等方法,提出了一种新颖的框架,用于在磁共振图像中从脑肿瘤细胞集中估计中发挥作用的快速深度学习算法和高精度进化策略以加速收敛和获得 95% 的 Dice 系数。
- MRI 脑肿瘤分级的双重注意力型、跨模态引导多模态学习
通过 MRI 多模态学习和跨模态指导,提出了一种用于 MRI 脑肿瘤分级的新方法,以准确识别肿瘤类型和等级,并选择精确的治疗计划。
- 脑肿瘤放射遗传分类
通过对多参数 mpMRI 扫描图片(T1w,T1wCE,T2w 和 FLAIR)进行二分类,RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组:训练集、验证集( - 利用奇异值分解在卷积神经网络中提高脑肿瘤分割准确性
脑肿瘤的治疗和疾病过程的选择受到肿瘤所在区域的显著影响。通过消除脑部 MRI 图像中的噪声,可以对脑肿瘤进行更好的分割和诊断。本文提出的方法使用特征值分析,结合 MSVD 算法降噪,然后使用深度神经网络对图像中的肿瘤进行分割,相较于使用原始 - 具有 SIBOW-SVM 的鲁棒脑 MRI 图像分类
本文提出了一种名为 SIBOW-SVM 的新型脑肿瘤图像分类方法,该方法将 BoF 模型与 SIFT 特征提取和加权支持向量机相结合,有效捕捉隐藏的图像特征,实现不同肿瘤类型的区分和准确的标签预测,并能够估计图像属于每个类别的概率,从而提供 - ICML脑瘤分类的迁移学习的比较评估使用 MRI
利用四种迁移学习技术对三种不同类型的脑肿瘤进行分类,在基准数据集中,ResNet-50 模型以 99.06% 的显著准确率优于其他模型。我们强调,在不使用数据增强方法的情况下,通过保持数据集平衡以提高准确度的重要性,并通过 F1 分数、AU - 脑肿瘤分割的分割模型
评估了 Segment Anything Model (SAM) 在脑肿瘤分割上的性能,发现 SAM 与目前的最先进模型之间仍存在差距。
- 优化脑肿瘤分类:关于深度学习模型中的迁移学习和不平衡处理的综合研究
通过利用预训练的卷积神经网络,结合深度学习和迁移学习的方法,本文提出了一种新的方法用于通过 MRI 数据进行脑肿瘤的分类,实现了 96% 的准确率。
- 特征模仿网络在生物医学图像处理任务中提高了深度学习的性能、可靠性和速度
本文首次评估了具有近似闭式统计特征的权重的仿真网络(FIN)在生物医学图像处理任务中的性能表现,结果表明 FIN 在 COVID-19 检测、脑肿瘤分类和分割等任务中均具有最佳的绩效。
- 针对合成医学影像的扩散模型应谨慎 -- 与 GAN 相比记忆脑肿瘤影像的能力比较
本研究使用 BRATS20 和 BRATS21 数据集,对比了 StyleGAN 和扩散模型中合成的脑肿瘤图像与所有训练图像之间的相关性,结果表明扩散模型更容易记忆训练图像,因此在医学影像等领域应谨慎使用。
- 使用 Swin Transformer 进行脑肿瘤检测
通过应用 Swine Transforms 和深度学习来检测、分类、定位和提供特定 MRI 扫描中肿瘤大小的方法可以帮助医生和放射科医生提高效率,并在 PDF 格式中下载预测和测量。
- 利用深度神经进化算法从功能磁共振邻接矩阵预测原发性脑肿瘤分级
本研究使用深度神经进化法训练卷积神经网络,通过功能性连接判别人脑肿瘤类型 (HGG/LGG),在仅使用 30 个邻接矩阵进行训练的情况下,取得了理想的测试集准确性,并发现网络学到了高度复杂的特征。
- MM基于迁移学习的深度神经网络进行脑肿瘤图像多分类
本文主要研究基于迁移学习的深度神经网络对脑瘤图像进行分类,通过图像增强和特征提取等方法,最终实现对三种最常见类型的脑瘤(meningioma,glioma 和垂体)的分类,其分类准确率达到 96.25%。
- 利用不完整影像数据进行脑肿瘤分割
本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响,检验 MRI 数据的有效性以诊断脑肿瘤,并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。
- 针对胶质母细胞瘤患者的人工智能治疗方案
本研究开发了一种基于人工智能技术的诊断解决方案,可自动分割脑肿瘤亚区并预测 MGMT 甲基化状态,以帮助医生进行更好的治疗规划并改善患者的生存率。
- 多模态到单模态的分割网络知识蒸馏
本文介绍了一个用于医学图像分割的 KD-Net 框架,该框架可以从一个多模态网络(teacher)向一个单模态网络(student)传输知识,证明了其在使用 BraTS 2018 数据集进行脑肿瘤分割任务时,有效提高了分割的准确性。
- 基于模态配对学习的脑肿瘤分割
本研究介绍了一种新的端到端后模态配对学习方法,它利用了不同模态功能,捕获了多模态之间的复杂关系和丰富信息,并通过平均多个模型和一些后处理技术获得了较好的脑肿瘤分割性能,最终在 BraTS 2020 挑战赛获得了肿瘤分割任务的第二名。