Delving Deep into Liver Focal Lesion Detection: A Preliminary Study
Sun Yat-sen University（中山大学）；The First Affiliated Hospital, Sun Yat-sen University（中山大学附属第一医院）；Infervision Inc.（推想医疗科技股份有限公司）
肝细胞癌（HCC）是世界上发病率最高的疾病之一，是恶性肿瘤死亡的第二大原因。由于肝脏是人体中唯一由两条主要血管供应的器官：肝动脉和门静脉，因此各种类型的恶性肿瘤可以从其他器官扩散到肝脏。由于肝脏肿块形状的不均匀性和弥散性，使得肿瘤病灶很难被识别，因此自动病灶检测对于工作量巨大的医生来说是必要的。为了辅助医生，这项工作使用现有的大规模标注医学图像数据，从多个方向深入研究肝脏病变检测。为了解决图像识别任务等技术难题，近年来，传统的卷积神经网络（CNN）深度学习得到了广泛应用。然而，这种神经网络，例如具有CNN特征的快速区域（R-CNN），不能利用空间信息，因为它应用于自然图像（2D）而不是医学图像（3D），例如计算机断层摄影（CT）图像。为了解决这个问题，我们提出了一种适用于肝脏CT成像的新型算法。根据放射科医师的临床诊断经验和肝癌CT图像的特点，提出了一种基于CNN的肝癌检测框架，包括图像处理、特征提取、区域建议、图像配准和分类识别，以实现对肝脏病变的有效检测。
2019-07-24 cs.CV
RA-UNet: A hybrid deep attention-aware network to extract liver and tumor in CT scans
Tianjin University（天津大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织Data61）
由于肝脏和肿瘤的形状不均匀和扩散，从CT体积中自动提取肝脏和肿瘤是一项具有挑战性的任务。最近，2D和3D深度卷积神经网络在医学图像分割任务中变得流行，因为利用大的标记数据集来学习分层特征。然而，3D网络由于其计算资源的高成本而具有一些缺点。在本文中，我们提出了一种三维混合剩余注意力感知分割方法，命名为RA-UNet，精确地提取肝脏感兴趣体积（VOI）和分割肿瘤从肝脏VOI。所提出的网络具有作为3D U-Net的基本架构，其将低级特征图与高级特征图相结合来提取上下文信息。注意力模块被堆叠，使得注意力感知特征随着网络的“非常深入”而自适应地变化，这是通过残差学习实现的。这是首次将注意力残差机制应用于医学体图像处理。我们在公开的MICCAI 2017肝脏肿瘤分割数据集和3DIRCADb数据集上评估了我们的框架。结果表明，我们的架构优于其他国家的最先进的方法。我们还将我们的RA-UNet扩展到BraTS 2018和BraTS 2017数据集上的脑肿瘤分割，结果表明RA-UNet在脑肿瘤分割任务上也取得了良好的性能。
2018-11-04 cs.CV
Modality-aware Mutual Learning for Multi-modal Medical Image Segmentation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Lenovo Research（联想研究院）；Lenovo Ltd.（联想集团有限公司）
肝癌是世界上最常见的癌症之一。由于肝脏肿瘤的纹理变化不明显，对比增强计算机断层扫描（CT）成像是诊断肝癌的有效方法。在本文中，我们重点关注通过集成多模式CT图像来改进自动肝脏肿瘤分割。为此，我们提出了一种新的相互学习（ML）策略，用于有效和鲁棒的多模态肝脏肿瘤分割。与现有的通过单个模型融合来自不同模态的信息的多模态方法不同，使用ML，特定于模态的模型的集合协同学习并相互教导，以提取不同模态的高级表示之间的特征和共性。所提出的ML不仅能够实现多模态学习的优势，而且还可以通过将知识从现有模态转移到缺失模态来处理缺失模态。此外，我们提出了一个模态感知（MA）模块，其中特定于模态的模型相互连接，并与自适应信息交换的注意力权重进行校准。所提出的模态感知的相互学习（MAML）方法在大规模临床数据集上的肝肿瘤分割取得了可喜的成果。此外，我们还展示了MAML在处理肝肿瘤和公共脑肿瘤（BRATS 2018）数据集上缺失模式的有效性和稳健性。我们的代码可在https://github.com/YaoZhang93/MAML上获得。
2021-07-21 cs.CV eess.IV
Anatomical Structure Segmentation in Liver MRI Images
由于医学图像的复杂性，其分割是一项具有挑战性的任务。磁共振成像（MRI）中的标准分割问题是根据体素的组织类型来标记体素的任务。图像分割提供了肝脏面积的体积量化，从而有助于疾病的诊断，如肝炎，肝硬化，黄疸，血色素沉着症等。本文比较了水平集方法，模糊水平信息C均值聚类算法和梯度矢量流蛇算法的分割结果。使用正确分类的像素数，和分割区域的百分比。
2013-03-30 cs.CV
Transformation Consistent Self-ensembling Model for Semi-supervised Medical Image Segmentation
The Chinese University of Hong Kong（香港中文大学）；Stanford University（斯坦福大学）
深度卷积神经网络在各种医学图像计算任务上取得了显著进展。将监督式深度学习方法应用于医学图像时的一个常见问题是缺乏标记数据，这是非常昂贵且耗时的。在本文中，我们提出了一种新的半监督方法的医学图像分割，其中网络是优化的加权组合的一个共同的监督损失标记输入和标记和未标记的数据的正则化损失。为了利用未标记的数据，我们的方法鼓励训练中的网络在不同的正则化下对相同的输入进行一致的预测。针对半监督分割问题，我们在自集成模型中引入了一种包括旋转和翻转在内的一致性变换方案，增强了正则化对像素级预测的效果。针对半监督分割任务，我们在自集成模型中引入了变换一致性策略，以增强像素级预测的正则化效果。我们已经在三个典型但具有挑战性的医学图像分割任务上广泛验证了所提出的半监督方法：（i）来自国际皮肤成像协作（ISIC）2017数据集上的皮肤镜检查图像的皮肤病变分割，以及（iii）来自肝脏肿瘤分割挑战（LiTS）数据集上的体积CT扫描的肝脏分割。与现有技术相比，我们提出的方法在具有挑战性的2D/3D医学图像上显示出优越的分割性能，证明了我们的半监督方法用于医学图像分割的有效性。
2020-05-08 cs.CV
Towards Simultaneous Segmentation of Liver Tumors and Intrahepatic Vessels via Cross-attention Mechanism
Zhongshan Hospital, Fudan University（复旦大学附属中山医院）
准确显示肝脏肿瘤及其周围血管对于肿瘤的无创诊断和预后预测至关重要。在医学图像分割中，对肝脏肿瘤和瘤周血管的同时分割还缺乏深入的研究。为此，我们收集了第一个肝脏肿瘤和血管分割基准数据集，其中包含52个门静脉期计算机断层扫描图像，包括肝脏、肝脏肿瘤和血管注释。在这种情况下，我们提出了一个3D U形交叉注意网络（UCA-Net），它利用定制的交叉注意机制而不是传统的跳过连接来有效地建模编码器和解码器功能。具体而言，UCA-Net使用通道交叉注意模块来减少编码器和解码器之间的语义差距，并使用切片交叉注意模块来增强不同切片之间的上下文语义学习能力。实验结果表明，该算法能够准确地分割三维医学图像，在肝脏肿瘤和肝内血管的分割方面达到了最先进的水平。
2023-02-20 cs.CV eess.IV
Holographic Visualisation of Radiology Data and Automated Machine Learning-based Medical Image Segmentation
Faculty of Science, Technology and Communication（科学、技术与传播学院）
在这篇论文中，我们提出了一个平台，结合增强现实（AR）硬件与机器学习在一个面向用户的管道，提供给医务人员一个直观的三维可视化的体积计算机断层扫描（CT）和磁共振成像（MRI）医学图像分割内的AR耳机，不需要人为干预的加载，处理和分割的医学图像。基于Microsoft HoloLens的AR可视化采用模块化且可扩展的前端-后端架构，用于在多个AR耳机上进行实时可视化。由于卷积神经网络（CNN）最近在图像语义分割的机器学习任务中表现出了卓越的性能，该管道还包括一个用于从CT扫描中分割肝脏的全自动CNN算法。该模型基于深度视网膜图像理解（DRIU）模型，该模型是一个全卷积网络，其侧输出来自不同分辨率的特征图，在网络的不同阶段提取。该算法是2.5D，这意味着输入是一组连续的扫描切片。实验已经在肝脏肿瘤分割挑战（LiTS）数据集上进行，用于肝脏分割，并表现出良好的结果和灵活性。虽然该领域存在多种方法，但只有少数方法专注于克服实际方面，这些方面仍然在很大程度上使该技术远离手术室。根据这一点，我们下一步还计划在现实环境中对医生和放射科医生进行评估。
2018-08-15 cs.CV cs.LG
ConvNet-Based Localization of Anatomical Structures in 3D Medical Images
University Medical Center Utrecht（乌得勒支大学医学中心）
解剖结构的定位是医学图像分析中许多任务的先决条件。我们提出了一种方法，通过使用卷积神经网络（ConvNet）检测它们在2D图像切片中的存在，在3D医学图像中的一个或多个解剖结构的自动定位。训练单个ConvNet以检测从3D图像中提取的轴向、冠状和矢状切片中感兴趣解剖结构的存在。为了允许ConvNet分析不同大小的切片，应用了空间金字塔池。检测后，通过组合所有切片中ConvNet的输出来创建3D边界框。在实验中，使用200个胸部CT、100个心脏CT血管造影（CTA）和100个腹部CT扫描。胸部CT扫描定位心脏、升主动脉、主动脉弓和降主动脉，心脏CTA扫描定位左心室，腹部CT扫描定位肝脏。使用自动和手动定义的参考限界框质心和壁之间的距离评价定位。在具有明确边界的结构（例如主动脉弓）的定位中实现了最佳结果，而在结构边界不清晰可见时（例如肝脏）实现了最差结果。该方法在多结构定位中具有较好的鲁棒性和准确性。
2017-04-19 cs.CV
Implicit representations are dead. Long live explicit primitives!
Technical University Munich（慕尼黑工业大学）；University of Zurich（苏黎世大学）；Imperial College London（伦敦帝国学院）
本文针对医学影像，对比评估了高斯显式基元与隐式神经表示，发现高斯表示重建性能相当或更优，且计算成本更低，有望成为医学影像领域的研究方向。
2026-08-12 cs.CV eess.IV
Automatic Liver Segmentation Using an Adversarial Image-to-Image Network
Rutgers University（罗格斯大学）；Siemens Healthcare Technology Center（西门子医疗技术中心）
三维医学图像中肝脏的自动分割在肝脏疾病的病理诊断、手术规划、术后评估等临床应用中具有重要意义。然而，由于肝脏的背景复杂、边界模糊、形态多样等特点，对肝脏的检测仍然是一项非常具有挑战性的任务。在本文中，我们提出了一种自动和有效的算法分割肝脏从三维CT体积。首先部署深度图像到图像网络（DI 2 IN）来生成肝脏分割，采用卷积编码器-解码器架构，结合多级特征级联和深度监督。然后，在训练过程中使用对抗网络来区分DI 2 IN的输出与地面实况，这进一步提高了DI 2 IN的性能。所提出的方法在具有各种不同扫描协议（例如，对比度和非对比度，各种分辨率和位置）和群体的大变化（例如，年龄和病理学）。我们的方法在分割精度和计算效率方面优于最先进的解决方案。
2017-07-25 cs.CV
Copycats: the many lives of a publicly available medical imaging dataset
IT University of Copenhagen（哥本哈根IT大学）；University of Copenhagen（哥本哈根大学）
本研究分析社区贡献平台上的公开医学影像数据集，揭示其在许可证、标识符、存储和元数据方面的治理缺陷，强调与计算机视觉数据集的差异及不良管理实践的下游危害，旨在促进负责任的数据管理。
2024-10-30 cs.CV cs.CY cs.DL
Decision Support System to triage of liver trauma
Shiraz University（设拉子大学）；Edinburgh Napier University（爱丁堡龙比亚大学）；Shiraz University of Medical Sciences（设拉子医科大学）；Microbiology clinic research centre of medical science（医学微生物临床研究中心）；Taba Medical Imaging centre（塔巴医学影像中心）
针对创伤患者肝脏出血和撕裂伤快速诊断的需求，提出基于GAN Pix2Pix模型的决策支持系统，在CT扫描检测中分别达到97%和93%的准确率，显著提升了诊断精度与速度。
2024-09-26 cs.CV eess.IV
CoRe: An Automated Pipeline for The Prediction of Liver Resection Complexity from Preoperative CT Scans
Guerbet Research（盖尔伯特研究中心）；Inserm U1193（法国国家健康与医学研究院U1193研究所）；Research Center Inria Saclay Ile-de-France（法国国家信息与自动化研究所萨克莱法兰西岛研究中心）；Paris – Saclay University（巴黎萨克雷大学）；Paul Brousse Hospital – APHP（保罗·布鲁斯医院——巴黎公共医疗集团）
手术切除是原发性肝癌最普遍的治愈性治疗。已知位于关键位置的肿瘤使肝切除术（LR）复杂化。虽然专业医疗中心的经验丰富的外科医生可能具有准确预测LR复杂性并相应准备的必要专业知识，但能够重现这种行为的客观方法将有可能改善标准常规护理，并避免术中和术后并发症。在这篇文章中，我们提出了一个自动化的医疗图像处理管道，用于预测术后LR复杂性，从术前CT扫描，使用成像生物标志物。Core管道首先使用两个深度学习网络分割肝脏、病变和血管。然后基于拓扑标准修剪肝脏脉管系统以定义肝脏中心区（HCZ），其是围绕主要肝脏血管的凸体积，从其导出新的成像生物标志物BHCZ。提取额外的生物标志物并利用其来训练和评估LR复杂度预测模型。消融研究显示基于HCZ的生物标志物是预测LR复杂性的中心特征。最佳预测模型的准确度、F1和AUC分别为77.3%、75.4%和84.1%。
2022-10-15 cs.CV cs.LG eess.IV
MNet++: Extended 2D/3D Networks for Anisotropic Medical Image Segmentation
School of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）
本文复现并扩展了混合2D/3D卷积网络MNet，引入自适应融合门控和VMamba状态空间模块，在保持各向异性鲁棒性的同时提升分割性能。
2026-06-16 cs.CV cs.LG
Improving Liver Disease Diagnosis with SNNDeep: A Custom Spiking Neural Network Using Diverse Learning Algorithms
Institute of Fundamental Technological Research, Polish Academy of Sciences（波兰科学院基础技术研究所）
本文提出SNNDeep，一种专为从CT特征二分类肝健康状态优化的脉冲神经网络，通过三种不同学习算法在不同架构上验证，展示了定制SNN在医疗影像中的优越性能。
2026-03-31 cs.AI cs.CV cs.NE
Unsupervised Denoising of Real Clinical Low Dose Liver CT with Perceptual Attention Networks
Department of Computing（计算系）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出基于感知注意力网络的无监督低剂量肝CT去噪框架，结合U-Net、注意力机制和残差网络，通过感知损失提升医疗图像特征提取，利用真实临床数据集和医学评价标准验证方法有效性，满足临床需求。
2026-05-16 cs.AI cs.CV eess.IV
Joint Liver Lesion Segmentation and Classification via Transfer Learning
Tel-Aviv University（特拉维夫大学）
迁移学习和联合学习方法被广泛用于提高卷积神经网络（CNN）的性能。在目标数据集通常非常小的医学成像应用中，迁移学习改进了特征学习，而联合学习在提高网络的泛化和鲁棒性方面表现出了有效性。在这项工作中，我们研究了这两种方法相结合的肝脏病变分割和分类的问题。为此，332腹部CT切片包含病变分割和三种病变类型的分类进行了评价。对于特征学习，使用MICCAI 2017肝脏肿瘤分割（LiTS）挑战的数据集。联合学习在分割和分类结果方面都有改进。我们表明，一个简单的联合框架优于常用的多任务架构（Y-Net），实现了10%的分类精度的提高，相比之下，Y-Net的3%的提高。
2020-05-24 cs.CV eess.IV
Unsupervised deep clustering for predictive texture pattern discovery in medical images
Computational Imaging Research Lab (CIR)（计算成像研究实验室（CIR））；Department of Biomedical Imaging and Image-guided Therapy（生物医学成像与影像引导治疗系）；Medical University of Vienna（维也纳医科大学）
成像数据中的预测标记模式是量化疾病和进展的一种手段，但如果对潜在的生物学知之甚少，则其识别具有挑战性。在这里，我们提出了一种方法来识别预测的医学图像中的纹理模式，在无监督的方式。基于深度聚类网络，我们在低维潜在空间中同时编码和聚类医学图像块。由此产生的聚类作为疾病分期的特征，将它们与潜在疾病联系起来。我们对70例不同阶段肝脂肪变性患者的T1加权磁共振图像进行了评估。深度聚类方法能够找到具有稳定排名的预测聚类，区分F1评分为0.78的低脂肪变性和高脂肪变性。
2020-01-31 cs.CV cs.LG
Random Window Augmentations for Deep Learning Robustness in CT and Liver Tumor Segmentation
UiT Machine Learning Group（UiT机器学习组）；University Hospital of North Norway（北挪威大学医院）；Norwegian Computing Centre（挪威计算中心）；Pioneer Centre for AI（人工智能先锋中心）
针对CT影像中直接使用自然图像增强方法导致伪影和泛化差的问题，提出利用HU分布的随机窗宽增强技术，提升肝脏肿瘤分割模型对对比度变化的鲁棒性和性能。
2025-10-09 cs.CV cs.LG
RA V-Net: Deep learning network for automated liver segmentation
Qu Fu Normal University（曲阜师范大学）
肝脏的准确分割是疾病诊断的前提。自动分割是计算机辅助检测和诊断肝脏疾病的一个重要应用。近年来，医学图像的自动化处理取得了突破性进展。然而，腹部扫描CT图像的低对比度和肝脏形态的复杂性使得精确的自动分割具有挑战性。在本文中，我们提出了RA V-Net，这是一个改进的医学图像自动分割模型的基础上的U-Net。它有以下三个主要创新。提出了复合原始特征残差模块（Composite Original Feature Residual Module）。用更复杂的卷积层和跳过连接使其获得更高层次的图像特征提取能力，并防止梯度消失或爆炸。提出了AR模块（Attention Recovery Module）来减少模型的计算量。此外，通过调整通道和LSTM卷积来感测编码和解码模块的数据像素之间的空间特征。最后，有效地保留了图像特征。提出了CA模块（Channel Attention Module），该模块用于提取具有相关性的相关通道，并通过矩阵点积对相关通道进行增强，同时对不相关的不相关通道进行弱化。达到了渠道关注的目的。LSTM卷积和CA模块提供的注意力机制是神经网络性能的有力保证。U-Net网络的准确度：0.9862，精度：0.9118，DSC：0.8547，JSC：0.82。RA V-Net的评价指标，准确度：0.9968，精密度：0.9597，DSC：0.9654，JSC：0.9414。分割效…
2021-12-16 cs.CV cs.LG eess.IV
Automated Blood Cell Detection and Counting via Deep Learning for Microfluidic Point-of-Care Medical Devices
School of Computing & Communication, Lancaster University（兰卡斯特大学计算与通信学院）；Computer and Information Sciences, Northumbria University（诺森比亚大学计算机与信息科学系）
自动化的体外细胞检测和计数已成为活体组织检查、药物分析和疾病诊断等人工智能生物分析的一个重要课题。随着微流控和芯片实验室技术的快速发展，体外活细胞分析已成为研究和工业界的关键任务之一。然而，从大量的显微视频和图像中获取并预测活细胞的精确信息是一个巨大的挑战。在本文中，我们研究了使用深度神经网络进行白细胞体外检测，并讨论了最先进的机器学习技术如何满足医疗诊断的需求。我们在这项研究中使用的方法是基于更快的基于区域的卷积神经网络（更快的RCNN），和一个迁移学习过程中应用该技术的显微检测血细胞。我们的实验结果表明，通过自动显微成像快速有效地分析血细胞可以实现比传统应用方法更好的准确性和更快的速度，这意味着该技术应用于微流体即时医疗设备的前景广阔。
2019-09-11 cs.AI cs.CV cs.ET
Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks
Technical University of Munich（慕尼黑工业大学）；LMU Hospital Grosshadern（路德维希-马克西米利安-慕尼黑大学格罗斯哈德恩医院）
肝脏和肝脏病变的自动分割是获得用于准确临床诊断和计算机辅助决策支持系统的定量生物标志物的重要一步。本文提出了一种方法，自动分割肝脏和病变的CT和MRI腹部图像使用级联全卷积神经网络（CFCN），使分割的大规模医疗试验或定量图像分析。我们训练和级联两个FCN的肝脏及其病变的联合分割。在第一步中，我们训练FCN以分割肝脏作为第二个FCN的ROI输入。第二FCN仅分割步骤1的预测肝脏ROI内的病变。CFCN模型在包括100个肝肿瘤体积的腹部CT数据集上训练。进一步的数据集上的验证表明，基于CFCN的语义肝脏和病变分割实现了肝脏的Dice评分超过94%，计算时间低于100秒/体积。我们进一步通过实验证明了所提出的方法在38个MRI肝脏肿瘤体积和公共3DIRCAD数据集上的鲁棒性。
2017-02-23 cs.AI cs.CV
BMAD: Benchmarks for Medical Anomaly Detection
University of Alberta（阿尔伯塔大学）；Carnegie Mellon University（卡内基梅隆大学）
针对医学图像异常检测缺乏通用公平基准的问题，提出包含5个医学领域6个数据集、3种评估指标和14种前沿算法的综合评估基准BMAD，以促进公平比较与领域发展。
2024-04-28 cs.CV eess.IV
Using uncertainty estimation to reduce false positives in liver lesion detection
Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心图像科学研究所）；Department of Biomedical Engineering, Eindhoven University of Technology（埃因霍温理工大学生物医学工程系）
尽管深度学习技术在检测医学图像中的对象方面取得了成功，但仍会出现假阳性检测，这可能会阻碍准确的诊断。我们提出了一种技术，以减少假阳性检测的神经网络使用SVM分类器训练的功能来自神经网络预测的不确定性地图。我们证明了这种方法的有效性，用于检测肝脏病变的腹部MR图像的数据集。我们发现，使用0.5的丢弃率在神经网络预测中产生的误报数量最少，并且经过训练的分类器在测试集中过滤掉了大约90%的误报检测。
2021-01-26 cs.CV cs.LG eess.IV
Slice Imputation: Intermediate Slice Interpolation for Anisotropic 3D Medical Image Segmentation
South China University of Technology（华南理工大学）；Rochester Institute of Technology（罗切斯特理工学院）
我们引入了一种新的基于帧插值的切片填充方法，以提高各向异性3D医学图像的分割精度，其中切片的数量及其相应的分割标签可以在各向异性3D医学体积中的两个连续切片之间增加。与以往的切片间插补方法不同，该方法仅关注轴向方向上的平滑度，本研究旨在提高轴向、矢状和冠状三个方向上插值3D医学体积的平滑度。所提出的多任务切片间插补方法，特别是，采用了平滑损失函数，以评估平滑度的插值三维医疗体积在通过平面方向（矢状和冠状）。它不仅提高了穿过平面方向的插值3D医学体积的分辨率，而且还将它们转换为各向同性表示，从而带来更好的分割性能。在大脑中的整个肿瘤分割，肝脏肿瘤分割，前列腺分割的实验表明，我们的方法优于竞争切片插补方法在计算机断层扫描和磁共振图像的体积在大多数情况下。
2022-03-21 cs.CV cs.LG eess.IV
Evaluating the Performance of StyleGAN2-ADA on Medical Images
The University of Texas MD Anderson Cancer Center（德克萨斯大学MD安德森癌症中心）；Rice University（莱斯大学）；University of California San Diego（加州大学圣地亚哥分校）
虽然生成对抗网络（GANs）在医学成像中表现出了希望，但它们有四个主要限制阻碍了它们的实用性：计算成本，数据要求，可靠的评估措施和训练复杂性。我们的工作调查了StyleGAN 2-ADA在高分辨率医学成像数据集上的新应用中的每一个障碍。我们的数据集由来自非对比和对比增强计算机断层扫描（CT）扫描的含肝脏轴向切片组成。此外，我们还利用了由各种成像模式组成的四个公共数据集。我们使用迁移学习（来自Flickr-Faces-HQ数据集）和数据增强（水平翻转和自适应增强）训练了一个StyleGAN 2网络。该网络的生成质量是用Fréchet起始距离（FID）定量测量的，并用7名放射科医生和放射肿瘤学家进行的视觉图灵测试定性测量的。StyleGAN 2-ADA网络在我们的肝脏CT数据集上实现了FID 5.22（$\pm$ 0.17）。它还在公开可用的SLIVER 07，ChestX-ray 14，ACDC和Medical Segmentation Decathlon（脑肿瘤）数据集上创下了10.78，3.52，21.17和5.39的新记录FID。在视觉图灵测试中，临床医生在42%的时间内将生成的图像评为真实图像，接近随机猜测。我们的计算消融研究表明，迁移学习和数据增强稳定了训练并提高了生成图像的感知质量。我们观察到FID与人类对医学图像的感知评价一致。最后，我们的工作发现，StyleGAN 2…
2022-10-07 cs.CV cs.LG eess.IV
Unsupervised Anatomical Feature Learning via Diffusion Models: Enhanced Medical Image Segmentation with Denoising Diffusion Probabilistic Models
Manipal Institute of Technology Bengaluru, Manipal Academy of Higher Education（马尼帕尔理工学院班加罗尔分校，马尼帕尔高等教育学院）
该研究提出用无监督DDPM预训练提取解剖特征，将编码器权重迁移至U-Net实现医学图像分割，在BTCV数据集上显著提升多器官分割性能，低数据场景下仍保持稳健表现。
2026-08-27 cs.AI cs.CV cs.LG
UNetFormer: A Unified Vision Transformer Model and Pre-Training Framework for 3D Medical Image Segmentation
NVIDIA（英伟达）
Vision Transformers（ViT）由于其出色的建模能力（特别是用于捕获远程信息）以及数据集和模型大小的可扩展性（这导致了各种计算机视觉和医学图像分析任务中的最先进性能）而最近变得流行。在这项工作中，我们引入了一个统一的框架，由两个架构组成，称为UNetFormer，具有基于3D Swin变换的编码器和卷积神经网络（CNN）以及基于变换的解码器。在所提出的模型中，编码器通过跳过连接以五种不同的分辨率与深度监督连接到解码器。所提出的架构的设计允许满足广泛的精度和计算成本之间的权衡要求。此外，我们提出了一种方法，通过学习预测随机掩蔽的体积令牌使用上下文信息的可见令牌的编码器骨干的自我监督的预训练。我们在从公开可用的CT数据集收集的一组$5050$ CT图像上预训练我们的框架，并对影响表示学习能力和下游任务性能的各种组件（如掩蔽比和补丁大小）进行系统调查。我们通过使用Medical Segmentation Decathlon（MSD）数据集微调和测试我们的肝脏和肝脏肿瘤分割任务模型来验证我们的预训练方法的有效性，并在各种分割指标方面实现最先进的性能。为了证明其通用性，我们训练和测试的BraTS 21数据集上的脑肿瘤分割使用MRI图像和优于其他方法的Dice评分。代码：https://github.com/Project-MONAI/research-contribution…
2022-04-05 cs.AI cs.CV cs.LG
TexLiverNet: Leveraging Medical Knowledge and Spatial-Frequency Perception for Enhanced Liver Tumor Segmentation
TexLiverNet通过构建病灶特异性文本注释数据集，并采用智能体交叉注意力与空间-频率感知模块，实现了肝脏肿瘤分割性能的显著提升。
2024-11-07 cs.CV eess.IV
Analysis of liver cancer detection based on image processing
医学影像学是检测医学内部并发症的最重要工具。如今，随着图像处理技术的发展以及在数字医学成像领域中将照片的尺寸改变为更高分辨率的图像，存在用于分割照片的高效且准确的系统。由于各种原因，具有差的异质性、噪声和对比度的真实世界图像是必不可少的。医学中的数字图像分割用于诊断和治疗分析，对医生有很大的帮助。在这项研究中，我们的目标是肝癌照片，其目的是更准确地检测病变或肿瘤的肝脏，因为准确和及时的检测肿瘤是非常重要的生存和生活的病人。肝脏是转移性疾病涉及的第二大器官，是肝癌，是全球主要的死亡原因之一。没有健康的肝脏，人就无法生存。这是一种危及生命的疾病，对医学和工程技术人员来说都是非常具有挑战性的。医学图像处理被用作检测肿瘤的非侵入性方法。肝脏肿瘤的生存机会在很大程度上取决于肿瘤的早期检测，然后分类为癌性和非癌性肿瘤。用于脑自动检测的图像处理技术包括预处理和增强、图像分割、分类和体积计算。Poly技术已被开发用于肝脏肿瘤的检测，不同的肝脏toR检测算法和方法用于肿瘤诊断。肝肿瘤检测和诊断的新方法学。
2022-07-16 cs.CV eess.IV
Exploiting full Resolution Feature Context for Liver Tumor and Vessel Segmentation via Integrate Framework: Application to Liver Tumor and Vessel 3D Reconstruction under embedded microprocessor
China University of Petroleum（中国石油大学）；Qingdao Municipal Hospital（青岛市市立医院）；University of Chinese Academy of Sciences（中国科学院大学）
肝癌是世界上最常见的恶性肿瘤之一。对CT图像中的肝脏肿瘤和血管进行分割和标记，可以为医生进行肝脏肿瘤诊断和手术干预提供方便。在过去的几十年里，许多先进的医学图像分割算法都是在这一时期出现的。随着嵌入式设备的发展，医学分割和自动重建的嵌入式部署为未来的自动化手术任务带来了前景。然而，现有的分割方法大多只关注图像的空间特征上下文，对医学图像的语义相关性存在感知缺陷，严重影响了肝脏肿瘤和血管的分割精度。将大型复杂模型部署到嵌入式设备中需要在模型精度、推理速度和模型容量之间进行合理的权衡。针对这些问题，本文提出了一种基于Transformer的多尺度特征融合网络TransFusionNet。该网络在肝脏血管和肝脏肿瘤分割方面取得了很好的效果，同时利用CT图像的全局信息，提高了肝脏肿瘤形态边缘的识别能力。实验表明，在血管分割任务中，TransFusionNet实现了0.899的平均Dice系数，在肝脏肿瘤分割任务中，TransFusionNet实现了0.961的平均Dice系数。与最先进的框架相比，我们的模型取得了最好的分割结果。此外，我们将模型部署到嵌入式微结构中，构建了一个完整的肝脏肿瘤血管分割和重建模型。这种专有结构将成为未来医疗领域的独家组成部分。
2022-02-28 cs.CV cs.LG eess.IV
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images
Eindhoven University of Technology（埃因霍温理工大学）；Philips GmbH Innovative Technologies（飞利浦创新技术有限公司）
使用卷积神经网络（CNN）自动分割解剖结构构成了医学图像分析研究的很大一部分。大多数基于CNN的方法依赖于大量的标记数据进行适当的训练。有标签的医疗数据通常很稀缺，但无标签的数据更容易获得。这需要超越传统监督学习的方法，并利用未标记的数据进行分割任务。这项工作研究了自动编码器提取的功能，以改善分割与CNN的潜力。考虑了两种战略。首先，转移学习，其中预训练的自动编码器特征被用作分割网络中卷积层的初始化。第二，多任务学习，其中分割和特征提取的任务，通过输入重构，同时学习和优化。卷积自动编码器用于从未标记数据中提取特征，多尺度、全卷积CNN用于执行CT图像中3D肝脏分割的目标任务。对于这两种策略，使用不同数量的标记和未标记训练数据进行实验。与从头开始训练相比，所提出的学习策略改善了实验中$75\%$的结果，并将骰子得分分别提高到$0.040$和$0.024$，其中未标记训练数据与标记训练数据的比例分别为约$32 : 1$和$12.5 : 1$。结果表明，这两种训练策略都是更有效的未标记的大比例标记的训练数据。
2020-03-17 cs.CV eess.IV
Cross Modality Medical Image Synthesis for Improving Liver Segmentation
COMSATS University Islamabad（COMSATS大学伊斯兰堡校区）；University of Stirling（斯特灵大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
针对医学图像标注数据集稀缺问题，提出基于形变不变网络EssNet的两阶段跨模态图像合成方法，通过CT生成合成MRI并结合真实数据训练U-Net，使肝脏分割的IoU提升1.17%。
2025-03-02 cs.AI cs.CV eess.IV
Unified Multi-scale Feature Abstraction for Medical Image Segmentation
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Wuhan University（武汉大学）；National Institutes of Health（美国国立卫生研究院）
医学图像的自动分割是医学图像分析的重要组成部分，在计算机辅助诊断中起着重要的作用。例如，定位和分割肝脏可以非常有助于肝癌的诊断和治疗。医学图像分割中最先进的模型是编码器-解码器架构的变体，如全卷积网络（FCN）和U-Net。1基于FCN的分割方法的主要焦点是通过结合最新的CNN结构（如ResNet 2和DenseNet）进行网络结构工程。3除了探索新的网络结构以有效地提取高级特征外，将多尺度图像特征提取的结构纳入FCN有助于提高分割任务的性能。在本文中，我们设计了一种新的多尺度网络架构，它采用多尺度输入和专用卷积路径来有效地组合来自不同尺度的特征，以更好地利用层次信息。
2019-10-24 cs.CV eess.IV
Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy
University of Thessaly（塞萨利大学）；University of Southern Denmark（南丹麦大学）；Pomeranian Medical University（波美拉尼亚医科大学）；Clínica Universidad de Navarra（纳瓦拉大学临床医院）；Mater Dei Hospital（马特尔迪医院）；University of Parma（帕尔马大学）；Hospital Clínic i Provincial de Barcelona（巴塞罗那临床医院）；Centro de Investigación Biomédica en Red de Enfermedades Hepáticas y Digestivas（肝病和消化系统疾病生物医学研究网络中心）；Royal Infirmary of Edinburgh（爱丁堡皇家医院）；University Hospitals of Leicester NHS Trust（莱斯特大学医院NHS信托基金）；Hospital da Senhora da Oliveira - Guimarães（吉马良斯圣母奥利维拉医院）；Lund University（隆德大学）；Skåne University Hospital（斯科讷大学医院）
本文提出医学图像合成临床评估协议CEMIS和基于变分自编码器的TIDE-II模型，通过10位国际专家评估证明其生成的无线胶囊内窥镜图像质量优于现有生成模型，可用于炎症性肠病诊断。
2025-03-09 cs.AI cs.CV eess.IV
Parameter-Efficient 3D Segmentation of Liver and Liver tumors: Depthwise factorization Scales Better Than Dense Convolution with Spatial Dimensionality
本研究提出基于深度可分离分解的参数高效三维 U-Net，在肝脏分割任务中以 24 倍参数缩减超越稠密卷积，并证明空间滤波器放置比总量更重要。
2026-09-29 cs.CV cs.LG
Liver Lesion Segmentation with slice-wise 2D Tiramisu and Tversky loss function
Heidelberg University（海德堡大学）；University Medical Center Mannheim（曼海姆大学医学中心）
目前，病变分割仍然由医学专家手动（或半自动）执行。为了促进这一过程，我们提供了一个全自动的病变分割管道。这项工作提出了一种方法，作为ISBI 17和MICCAI 17的LiTS（肝脏肿瘤分割挑战）竞赛的一部分，比较了CT扫描中肝脏病变的自动分割方法。通过利用级联的，密集连接的2D U-网和基于Tversky系数的损失函数，我们的框架实现了非常好的形状提取，具有高检测灵敏度，在发布时具有竞争力的分数。此外，调整Tversky损失中的超参数可以将网络调整到更高的灵敏度或鲁棒性。
2019-05-09 cs.CV eess.IV
Improving Nonalcoholic Fatty Liver Disease Classification Performance With Latent Diffusion Models
School of Information, U.C. Berkeley（加州大学伯克利分校信息学院）
本研究提出利用潜在扩散模型生成合成图像并与真实图像结合，在低数据量下提升非酒精性脂肪肝病分类性能，实验显示优于GAN，最大ROC AUC达0.904。
2023-11-15 cs.AI cs.CV
Automatic Liver Segmentation from CT Images Using Deep Learning Algorithms: A Comparative Study
Ankara University（安卡拉大学）；Turkish Aerospace（土耳其航空航天工业公司）；Akgun R&D Center（Akgun研发中心）
医学成像已经被用于支持医学诊断和治疗。它还可以为外科医生提供关键信息，以促进最佳的手术计划和围手术期管理。从本质上讲，半自动器官和肿瘤分割已经被许多研究人员研究。近年来，随着深度学习算法的发展，器官自动分割技术受到了研究者的广泛关注。本文旨在通过调整和比较不同学科中研究的最先进的DL框架，提出用于肝脏分割的最有效的DL架构。这些框架被实现并适应于商业软件“LiverVision”。其目的是揭示用于全自动肝脏分割的最有效和准确的DL架构。在实验中，对所有的体系结构提供了相同的条件，以衡量算法精度的有效性，并采用Dice系数度量来支持比较分析。实验结果证明，“U-Net”和“SegNet”在考虑时间，成本和有效性的概念进行的实验中具有优越性。考虑到这两种架构，“SegNet”被观察到在消除假阳性值方面更成功。此外，可以看出，仅用于测量图像分割有效性的准确性度量是不够的。结果表明，DL算法能够自动器官分割DICOM图像的高精度。这一贡献是至关重要的手术计划，并激励作者将这种方法应用到不同的器官和医学领域。
2021-01-25 cs.CV cs.LG eess.IV
Inter-slice image augmentation based on frame interpolation for boosting medical image segmentation accuracy
South China University of Technology（华南理工大学）；University of Utah（犹他大学）
我们引入了切片间图像增强的思想，即在两个连续图像之间增加医学图像和相应的分割标签的数量，以提高医学图像分割的准确性。与医学成像中的常规数据增强方法不同，常规数据增强方法仅通过使用简单的参数化变换（诸如旋转、翻转、缩放等）添加新的虚拟样本来直接增加训练样本的数量，我们的目标是根据两幅连续图像之间的关系来增加数据，这不仅增加了训练样本的数量，而且增加了训练样本的信息。为此，我们提出了一种基于帧插值的数据增强方法来生成中间医学图像和相应的分割标签之间的两个连续的图像。我们分别使用增强的训练样本在SILVER 07和CHAOS 2019上对有监督的U-Net肝脏分割网络进行了训练和测试，获得的分割分数与传统增强方法相比表现出显着的改善。
2020-01-31 cs.CV eess.IV
This Intestine Does Not Exist: Multiscale Residual Variational Autoencoder for Realistic Wireless Capsule Endoscopy Image Generation
University of Thessaly（塞萨利大学）；Svendborg Hospital（斯文堡医院）；University of Southern Denmark（南丹麦大学）
针对无线胶囊内窥镜带标注数据稀缺导致GAN训练不稳的问题，提出多尺度残差变分自编码器TIDE，可生成逼真且多样的图像并完全替代真实数据用于分类。
2023-02-07 cs.CV cs.LG eess.IV
Hybrid Cascaded Neural Network for Liver Lesion Segmentation
University of Georgia（佐治亚大学）
自动肝脏病变分割是一项具有挑战性的任务，同时对协助医疗专业人员设计有效的治疗和规划适当的护理具有重大影响。在本文中，我们提出了一个级联系统，它结合了2D和3D卷积神经网络来有效地分割肝脏病变。我们的2D网络在逐层的基础上进行操作，以分割肝脏和较大的肿瘤，而我们使用3D网络来检测2D分割设计中经常遗漏的小病变。我们在LiTS挑战中使用该算法，每例的Dice得分为68.1%，在所有非预训练模型中表现最好，在已发表的方法中排名第二。我们还进行了双重交叉验证，以揭示LiTS注释中的过度分割和欠分割问题。
2019-10-08 cs.CV cs.LG eess.IV
High-Resolution Swin Transformer for Automatic Medical Image Segmentation
Xi’an University of Posts&Telecommunications（西安邮电大学）；Xidian University（西安电子科技大学）
特征图的分辨率是医学图像分割的关键。大多数现有的基于变换器的医学图像分割网络都是类似U网的架构，其包含编码器和解码器，编码器利用一系列Transformer块将输入的医学图像从高分辨率表示转换为低分辨率特征图，解码器从低分辨率特征图逐渐恢复高分辨率表示。与以前的研究不同，在本文中，我们利用高分辨率网络（HRNet）的网络设计风格，用Transformer块替换卷积层，并从由Transformer块生成的不同分辨率特征图中连续交换信息。本文提出的新的基于变压器的网络表示为高分辨率Swin Transformer网络（HRSTNet）。大量实验表明，HRSTNet可以在脑肿瘤分割（BraTS）2021和医学分割Decathlon的肝脏数据集上实现与最先进的基于Transformer的U-Net类似架构相当的性能。HRSTNet的代码将在https://github.com/auroua/HRSTNet上公布。
2022-07-23 cs.AI cs.CV
Feature Fusion Encoder Decoder Network For Automatic Liver Lesion Segmentation
University of Science and Technology of China（中国科学技术大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
肝脏病变分割是医学图像分析中的一个难点。最近，基于深度学习的图像分割方法已经取得了很好的性能，根据模型的维度，可以分为三类：2D，2.5D和3D。然而，2.5D和3D方法可能具有非常高的复杂度，并且2D方法可能无法令人满意地执行。为了获得具有竞争力的性能，低复杂度，在本文中，我们提出了一种基于二维分割模型的融合编码器-解码器网络（FED-Net），以解决具有挑战性的问题，肝脏病变CT图像分割。我们的特征融合方法是基于注意力机制，它融合了高层次的功能，携带语义信息与低层次的功能，具有图像的细节。此外，为了补偿上采样过程中的信息损失，提出了密集上采样卷积和残差卷积结构。我们在MICCAI 2017肝脏肿瘤分割（LiTS）挑战赛的数据集上测试了我们的方法，并与其他最先进的方法相比取得了有竞争力的结果。
2019-03-28 cs.CV cs.LG
Volumetric Attention for 3D Medical Image Segmentation and Detection
Sigma Technologies（12 Sigma科技公司）；Univ. of California, San Diego（加州大学圣地亚哥分校）
提出了一种用于三维医学图像分割和检测的体积注意力模型。VA attention的灵感来自于视频处理的最新进展，使2.5D网络能够利用z方向的上下文信息，并允许在训练数据有限时使用预训练的2D检测模型，这通常是医疗应用的情况。它在Mask R-CNN中的集成被证明能够在肝脏肿瘤分割（LiTS）挑战赛中实现最先进的性能，比之前的挑战赛获胜者高出3.9分，并在提交论文时在LiTS领导者委员会上取得最佳表现。DeepLesion数据集上的检测实验还表明，将VA添加到现有的对象检测器中，可以在每张图像0.5个假阳性时实现69.1的灵敏度，比最好的已发表结果高出6.6个点。
2020-04-04 cs.CV eess.IV
GANs for Medical Image Synthesis: An Empirical Study
University of Bourgogne Franche-Comte（勃艮第-弗朗什孔泰大学）；CASIS inc.（CASIS公司）；University of Sherbrooke（舍布鲁克大学）；University Hospital of Dijon（第戎大学医院）
生成对抗网络（GANs）变得越来越强大，生成令人兴奋的逼真图像，模仿它们训练复制的数据集的内容。医学成像中的一个反复出现的主题是，GANs是否也可以像生成逼真的RGB图像那样有效地生成可用的医学数据。在本文中，我们进行了多GAN和多应用研究，以衡量GANs在医学成像中的优势。我们在三种医学成像模式和器官上测试了各种GAN架构，从基本的DCGAN到更复杂的基于样式的GANs，即：心脏电影MRI，肝脏CT和RGB视网膜图像。GANs在众所周知且广泛使用的数据集上进行训练，从这些数据集计算它们的FID分数以测量它们生成的图像的视觉敏锐度。我们通过测量在这些生成的图像上训练的U-Net的分割准确度来进一步测试它们的有用性。结果表明，GANs远不平等，因为有些不适合医学成像应用，而另一些则更好。性能最好的GANs能够通过FID标准生成逼真的医学图像，这些图像可以在视觉图灵测试中欺骗训练有素的专家，并符合某些指标。然而，分割结果表明，没有GAN能够再现医学数据集的全部丰富性。
2021-07-19 cs.CV cs.LG eess.IV
Automatic segmentation and determining radiodensity of the liver in a large-scale CT database
State Budget-Funded Health Care Institution of the City of Moscow “Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department”（莫斯科市卫生部门下属的莫斯科市国立预算资助医疗机构“诊断与远程医疗技术研究与实践临床中心”）；Federal State Budgetary Scientific Institution “Russian Scientific Center of Surgery named after Academician B.V. Petrovsky”（俄罗斯联邦国立预算科研机构“以B.V.彼得罗夫斯基院士命名的俄罗斯外科科学中心”）；Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院“计算机科学与控制”联邦研究中心）
本研究提出一种自动化的技术，在计算机断层扫描（CT）图像的肝脏分割。肝脏体积的定位基于与作者开发的优化肝脏模板集的相关性，该优化肝脏模板集允许清晰的几何解释。放射密度值基于分割的肝脏的边界计算，这允许识别肝脏异常。该技术的性能进行了评价，从数据集的统一放射信息系统（URIS）的莫斯科的700 CT图像。尽管准确性下降，该技术适用于CT体积与部分可见的肝脏区域。该技术可用于处理在各种患者位置在广泛的曝光参数范围内获得的CT图像。它能够处理实际大型医学数据库中的低剂量CT扫描，其中包含超过100万个研究。
2019-12-31 cs.CV eess.IV physics.med-ph
