brain tumor segmentation | BriefGPT

关键词brain tumor segmentation

搜索结果 - 50

CAVM：针对增强对比度脑肿瘤 MRI 合成的有条件自回归视觉模型
提出了用于改进对比增强脑肿瘤磁共振成像的条件自回归视觉模型 (CAVM)。CAVM 通过逐渐增加造影剂剂量从而生成高剂量虚拟图像，使用分解标记器和解码器进行图像的自动回归策略，最终产生对比增强的磁共振成像。
PDF11 days ago
CU-Net：一种用于 BraTS 2019 数据集上高效脑肿瘤分割的 U-Net 架构
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
PDF15 days ago
基于模态内不对称性和模态间依赖性的不完整多模态脑肿瘤分割的增强
基于深度学习的脑肿瘤分割（BTS）模型在多模态 MRI 图像中取得了重要进展。然而，不完整的 MRI 模态造成分割成为一个具有挑战性的问题。为了解决这些问题，我们提出了一种新颖的方法，从两个方面增强 BTS 模型。首先，我们引入了预训练阶段
PDF20 days ago
揭示不完整模态脑肿瘤分割：利用掩蔽预测自编码器和发散学习
通过使用 masked predicted pre-training 和 knowledge distillation 技术，以及采用 Holder pseudo-divergence 代替 KLD 作为 distillation loss
PDF22 days ago
处理所有阶段缺失的形式：朝着具有健壮重建和个性化能力的通用模型
提出了一种具有模态重建和模型个性化的健壮的通用模型，能够在训练和测试阶段有效地处理缺失的模态，通过多模态掩码自编码器重构缺失的模态和掩码补丁，利用创新的分布近似机制充分利用完整和不完整的数据，提出了基于 CLIP 的超网络来个性化模型参数，
PDFa month ago
2024 年脑肿瘤分割挑战：脑膜瘤放疗规划自动分割
通过使用最大的已知多机构放射治疗计划脑 MRI 数据集，对具有完整或术后脑膜瘤的患者进行放射治疗，本研究旨在推进自动化分割算法。该数据集包含脱敏的三维增强 T1 加权放射治疗计划 MRI 及其相应的标注目标体积，能够准确分割肿瘤并提供个体化
PDFa month ago
SiNGR：通过有符号归一化测地线变换回归进行脑肿瘤分割
脑肿瘤分割研究中存在一个主要挑战，即接近肿瘤边界的体素的不确定性。然而，常规生成标准分割掩模的过程未能正确处理这种不确定性。这种由 0 和 1 组成的 “硬标签” 在概念上影响了大多数以脑图像分割为研究对象的先前研究。因此，通常通过体素分类
PDFa month ago
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。
PDFa month ago
患者特定的实时无跟踪脑超声分割
本文设计了第一个病人特定的框架，在无需跟踪的状况下，在 iUS 中进行脑肿瘤分割，通过使用合成的超声数据在术前 MR 数据中模拟虚拟 iUS 扫描，并训练了一个病人特定的实时网络来消除超声成像的模糊性和适应神经外科医生的手术目标，实验证明了
PDF2 months ago
改进用于多样人群的卷积神经网络脑肿瘤分割
通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割，本研究在 BraTS-GoAT 挑战中的各种人群（如成人、儿科和非洲撒哈拉以南地区）的脑部 MRI 扫描图像中自动分割肿瘤，并通过大量的模型集成和后处理方法在未知验证集上表现良好，
PDF2 months ago
基于 CNN-Transformer 网络的多模态特征蒸馏用于不完整模态的脑肿瘤分割
提出了一种采用 CNN-Transformer 混合网络的多模态特征蒸馏的准确脑肿瘤分割方法，用于处理缺少模态的脑肿瘤图像，通过多个模块实现了特征提取和融合，提高了缺失模态情况下的分割性能，实验证明了方法的有效性。
PDF2 months ago
用于脑肿瘤分割的图像增强技术的比较分析：对比度、直方图和混合方法
该研究系统地研究了图像增强技术对基于卷积神经网络（CNN）的脑肿瘤分割的影响，重点关注直方图均衡化（HE）、有限对比适应性直方图均衡化（CLAHE）及其混合变化。利用 3064 个脑 MRI 图像数据集，采用 U-Net 架构进行预处理步骤
PDF3 months ago
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
PDF3 months ago
自校准卷积用于脑胶质瘤分割
早期疾病准确的脑肿瘤分割对治疗有效性至关重要，避免了对多种协议（如 T1、T2、T2-FLAIR、T1-Gd）的 3D MR 脑图像进行繁琐的专家目视检查。本文评估 nnU-Net 网络中自校准卷积在不同部分的应用，证明了在跳跃连接中使用自
PDF5 months ago
使用多尺度卷积神经网络的深度学习方法进行脑肿瘤分类和分割
本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型，包括多尺度方法。与以前的工作相比，我们的提案的一个区别是，输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可
PDF5 months ago
SEDNet: 浅层编码器 - 解码器网络用于脑肿瘤分割
本文提出了一种浅层编码器和解码器网络（SEDNet）用于脑肿瘤分割，结合预处理算法和优化函数，通过对 BraTS2020 数据集的测试取得了显著的性能，并通过迁移学习进一步提高了分割准确度，因此，在实时临床诊断中表现出了高效性。
PDF5 months ago
基于时间立方 PatchGAN (TCuP-GAN) 的自动化 3D 肿瘤分割
利用最新的深度学习技术开发稳健的通用三维分割框架是不同生物医学领域中的一个活跃研究领域，该研究介绍了一种称为 Temporal Cubic PatchGAN (TCuP-GAN) 的体素到体素转换模型，将生成性特征学习框架与卷积长短时记忆网
PDF7 months ago
应用混合融合变压器处理多序列 MRI
通过利用多序列 MRI 图像进行医学分割，使用混合融合 Transformer 方法来提高脑肿瘤分割的效果。
PDF8 months ago
MRI 脑肿瘤分割基于信息特征向量和核字典学习
基于核字典学习算法的方法用于在磁共振图像中分割脑瘤区域，通过提取大小为 3*3 的图像块周围像素的一阶和二阶统计特征向量，训练两个分别用于健康和肿瘤组织的核字典，并通过基于相关性的样本选择技术，选择了最具信息和辨别力的特征向量子集，进而利用
PDF9 months ago
联邦肿瘤分割中的自适应权重聚合的差分隐私
将差分隐私层添加到联邦脑瘤分割的全局权重聚合阶段，提供了一种有前景的隐私解决方案，既不影响分割模型的效力，又保护了客户数据免受对抗性攻击和恶意参与者的侵害。
PDFa year ago