Hierarchical Generalized Category Discovery for Brain Tumor Classification in Digital Pathology
Institute of Clinical Epidemiology, Public Health, Health Economics, Medical Statistics and Informatics(临床流行病学、公共卫生、健康经济学、医学统计与信息学研究所);Institute of Neuropathology and Neuromolecular Pathology(神经病理学与神经分子病理学研究所)
针对现有脑肿瘤分类方法无法识别训练未覆盖肿瘤类别的问题,提出融合层次聚类与对比学习的HGCD-BT方法,在多模态病理数据集上取得更优的分类精度与泛化性。
2025-11-17 cs.AI cs.CV cs.LG
Classification of Brain Tumors using Hybrid Deep Learning Models
Georgia Institute of Technology(佐治亚理工学院)
本研究利用迁移学习比较EfficientNetV2、EfficientNet和ResNet50在脑肿瘤分类中的性能,发现EfficientNetV2准确率最高但训练时间更长。
2025-08-02 cs.AI cs.CV eess.IV
TumorXAI: Self-Supervised Deep Learning Framework for Explainable Brain MRI Tumor Classification
Department of Computer Science and Engineering, East West University(东-西大学计算机科学与工程系)
本文提出TumorXAI框架,利用自监督学习对脑部MRI肿瘤进行多类分类,通过预处理、微调和线性评估等步骤,展示自监督模型在有限标注数据下优于监督方法的性能,并结合Grad-CAM等技术提升可解释性。
2026-05-03 cs.AI
Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning
本研究首次将视觉Mamba模型应用于脑肿瘤多类分类,通过迁移学习微调,在独立测试集上实现100%准确率,证明其轻量高效,优于现有模型,并适用于其他医学影像分类。
2024-11-06 cs.AI cs.CV
Within-Brain Classification for Brain Tumor Segmentation
Université de Sherbrooke(舍布鲁克大学);Twitter(推特);Imeka
目的:在本文中,我们研究了一个框架,交互式脑肿瘤分割,在其核心,对待的问题,交互式脑肿瘤分割作为一个机器学习问题。方法:这种方法比典型的机器学习方法具有优势,因为在这个任务中,泛化是在大脑中进行的。这些方法的问题在于它们需要处理强度偏差校正和其他MRI特定噪声。在本文中,我们避免了这些问题,接近的问题之一,在大脑的泛化。具体来说,我们提出了一种半自动的方法,分割脑肿瘤的训练和推广,仅在大脑中,基于一些最小的用户交互。结论:我们研究如何添加空间特征坐标(即$i$,$j$,$k$)的强度功能,可以显着提高不同的分类方法,如SVM,kNN和随机森林的性能。只有在互动框架内才有可能做到这一点。我们还研究了更合适的内核的使用和针对每个大脑的超参数的适应。结果如下:作为这些实验的结果,我们获得了一种交互式方法,其在MICCAI-BRATS 2013数据集上报告的结果与已发表的方法相比是第二准确的,同时使用的内存和处理能力明显低于大多数最先进的方法。
2015-10-05 cs.AI cs.CV
A CNN Approach to Automated Detection and Classification of Brain Tumors
1, 2, 7Dept. of Computer Science \& Engineering, University of Rajshahi, Bangladesh 3Dept. of Computer Science \& Engineering, Khulna University of Engineering \& Technology, Khulna, Bangladesh 4Dept. of Computer Science \& Engineering, Rajshahi University of Engineering \& Technology, Rajshahi, Bangladesh 2, 3, 4, 5, 6 Dept. of Computer Science \& Engineering, Varendra University, Rajshahi, Bangladesh
本文提出一种基于CNN的脑肿瘤自动检测与分类方法,利用各向异性扩散滤波器对3264张MRI图像去噪,并采用SMOTE进行数据增强,通过比较ResNet152V2、VGG、ViT和EfficientNet等模型,发现EfficientNet分类准确率最高达98%。
2025-02-13 cs.AI cs.CV
Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks
Data Science Institute, Imperial College London(伦敦帝国理工学院数据科学研究所);National Heart and Lung Institute, Imperial College London(伦敦帝国理工学院国家心肺研究所)
脑肿瘤治疗计划和定量评估的一个主要挑战是确定肿瘤范围。无创磁共振成像(MRI)技术已成为无电离辐射脑肿瘤的一线诊断工具。从3D MRI体积中手动分割脑肿瘤范围是一项非常耗时的任务,并且性能高度依赖于操作者的经验。在这种情况下,一个可靠的全自动分割方法的脑肿瘤分割是必要的肿瘤范围的有效测量。在这项研究中,我们提出了一种全自动的脑肿瘤分割方法,该方法使用基于U-Net的深度卷积网络开发。我们的方法在多模态脑肿瘤图像分割(BRATS 2015)数据集上进行了评估,该数据集包含220个高级别脑肿瘤和54个低级别肿瘤病例。交叉验证表明,我们的方法可以有效地获得有前途的分割。
2017-06-03 cs.CV
MRI Brain Tumor Detection with Computer Vision
本研究应用深度学习技术从MRI扫描中自动检测和分割脑肿瘤,采用逻辑回归、CNN、ResNet进行分类,并利用U-Net和EfficientDet增强肿瘤定位与识别,显著提升了诊断的准确性和效率。
2025-10-11 cs.AI cs.CV cs.LG
Segmenting Brain Tumors with Symmetry
Princeton University(普林斯顿大学);Intel Labs(英特尔实验室)
我们探索编码脑对称性到一个神经网络的脑肿瘤分割任务。一个健康的人脑在高抽象层次上是对称的,高层次的不对称部分更有可能是肿瘤区域。更多地关注非对称性有可能提高脑肿瘤分割的性能。我们提出了一种方法来编码到现有的神经网络的大脑对称性,并将该方法应用到一个国家的最先进的神经网络的医学成像分割。我们在来自脑肿瘤分割挑战的数据集上评估了我们的神经网络编码网络,并验证了新模型比原始模型更有效地提取训练图像中的信息。
2017-11-17 cs.CV
A Review on Automated Brain Tumor Detection and Segmentation from MRI of Brain
University of Calcutta(加尔各答大学);West Bengal University of Technology(西孟加拉技术大学)
从磁共振成像(MRI)数据分割肿瘤是由医学专家执行的重要但耗时的手动任务。自动化这个过程是一项具有挑战性的任务,因为不同患者之间肿瘤组织外观的高度多样性,并且在许多情况下与正常组织相似。MRI是一种先进的医学成像技术,可提供有关人体软组织解剖结构的丰富信息。存在不同的脑肿瘤检测和分割方法来从MRI图像中检测和分割脑肿瘤。这些检测和分割的方法进行了审查,重点放在启发这些方法的优点和缺点的脑肿瘤检测和分割。还描述了MRI图像检测和分割在不同程序中的使用。本文就脑肿瘤MRI图像的分割方法进行了综述。
2013-12-16 cs.CV
Brain Tumor Segmentation with Special Emphasis on the Non-Enhancing Brain Tumor Compartment
CIML Group, Biophysics, University of Regensburg(里堡大学生物物理组);Department of Neurosurgery , University Hospital Regensburg(里堡大学神经外科部门);Department of Biomedical Imaging, University Hospital Regensburg(里堡大学生物医学成像部门);DETI, IEETA, Universidade de Aveiro(阿维罗大学DETI和IEETA)
本文提出基于U-Net的深度学习模型,专注于分割非增强脑肿瘤部分,以提高肿瘤生存时间预测和生长区域识别的准确性。
2026-02-25 cs.CV cs.LG
Deep Learning in Medical Image Classification from MRI-based Brain Tumor Images
Ira A. Fulton Schools of Engineering(伊拉·A·富尔顿工程学院);Arizona State University(亚利桑那州立大学);University of California, Berkeley(加州大学伯克利分校)
本文基于MRI脑肿瘤图像,提出包含MobileNet-BT新模型在内的五种深度学习模型,对胶质瘤、垂体瘤、脑膜瘤及无肿瘤四类图像进行分类预测,以提升早期检测准确性。
2024-08-01 cs.CV
Efficient Feature Extraction and Classification Architecture for MRI-Based Brain Tumor Detection and Localization
Bangladesh University of Engineering & Technology(孟加拉工程技术大学);Arizona State University(亚利桑那州立大学)
本文提出一种基于MRI和CNN的高效脑肿瘤检测与定位架构,准确率达99.17%,并结合GradCAM定位肿瘤区域及多机器学习模型评估,辅助医生提升诊断准确性。
2025-03-09 cs.AI cs.CV eess.IV
3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework
背景资料:脑胶质瘤是最常见的脑恶性肿瘤,发病率高,死亡率超过3%,严重危害人类健康。临床上获取脑肿瘤的主要方法是MRI。从多模态MRI扫描图像中分割出脑肿瘤区域有助于患者的治疗检查、诊断后监测和疗效评估。然而,目前临床脑肿瘤分割中常见的操作仍然是人工分割,导致其耗时长且不同操作者之间的性能差异较大,迫切需要一种一致且准确的自动分割方法。方法:针对上述问题,提出了一个脑肿瘤MRI数据自动分割框架AGSE-VNet。我们的研究在每个编码器中加入挤压和激励(SE)模块,在每个解码器中加入注意力引导过滤(AG)模块,利用通道关系自动增强通道中的有用信息抑制无用信息,并利用注意力机制引导边缘信息,去除噪声等无关信息的影响。结果:我们使用BraTS 2020挑战在线验证工具来评估我们的方法。验证的重点是整个肿瘤(WT)、肿瘤核心(TC)和增强肿瘤(ET)的Dice评分分别为0.68、0.85和0.70。结论:虽然MRI图像有不同的强度,但AGSE-VNet不受肿瘤大小的影响,能够更准确地提取三个区域的特征,取得了令人印象深刻的效果,为脑肿瘤患者的临床诊断和治疗做出了突出贡献。
2021-07-26 cs.AI cs.CV cs.LG
Advanced Brain Tumor Segmentation Using EMCAD: Efficient Multi-scale Convolutional Attention Decoding
Department of Computer Science(计算机科学系);Texas Tech University(德克萨斯理工大学)
针对脑肿瘤分割中解码器计算成本高的问题,提出EMCAD高效多尺度卷积注意力解码器,在BraTs2020数据集上获得最佳Dice 0.31,兼顾性能与效率。
2025-09-05 cs.AI cs.CV cs.LG
Multi Modal Convolutional Neural Networks for Brain Tumor Segmentation
Istanbul Technical University(伊斯坦布尔理工大学)
在这项工作中,我们提出了一个多模态卷积神经网络(CNN)的方法来分割脑肿瘤。我们研究了如何在CNN框架下有效地结合不同的模态。我们将以前用于视频识别问题的各种融合方法应用于脑肿瘤分割问题,并从内存和性能方面研究了它们的效率。我们的实验在BRATS数据集上进行,引导我们得出这样的结论,即学习每种模态的单独表示并将它们组合用于脑肿瘤分割可以提高CNN系统的性能。
2018-09-20 cs.CV
Triplet Contrastive Learning for Brain Tumor Classification
University of California, Los Angeles(加州大学洛杉矶分校);National University of Singapore(新加坡国立大学)
脑肿瘤是一种常见和致命的癌症,影响成人和儿童。因此,将脑肿瘤分类为不同类型是一项至关重要的任务,因为它极大地影响了医生开出的治疗方案。有鉴于此,医学成像技术,特别是那些应用深度卷积网络和分类层的技术,已经被开发出来,使脑肿瘤类型的计算机辅助分类成为可能。在本文中,我们提出了一种直接学习脑肿瘤类型深度嵌入的新方法,可用于分类等下游任务。除了使用三重损失变量外,我们的方法还将对比学习应用于执行无监督的预训练,并结合罕见情况下的数据增强模块,以有效改善脑肿瘤成像分析领域的数据不足问题。我们在一个广泛的脑肿瘤数据集上评估了我们的方法,该数据集由27种不同的肿瘤类别组成,其中13种被定义为罕见。在所有的实验中使用一个共同的编码器,我们将我们的方法与基于基线分类层的模型进行了比较,结果很好地证明了我们的方法在所有测量指标上的有效性。
2021-08-08 cs.CV
QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors
Columbia University(哥伦比亚大学)
非侵入性技术,如磁共振成像(MRI)广泛用于脑肿瘤诊断。然而,从3D MRI体积中手动分割脑肿瘤是一项耗时的任务,需要训练有素的放射科专家。由于手动分割的主观性,评分者间可靠性较低,可能导致诊断差异。由于许多脑肿瘤治疗的成功取决于早期干预,因此早期发现至关重要。在这种情况下,脑肿瘤分割的全自动分割方法是必要的,作为一种有效和可靠的方法,脑肿瘤检测和量化。在这项研究中,我们提出了一种用于脑肿瘤分割的端到端方法,利用QuickNAT的修改版本,QuickNAT是一种脑组织类型分割深度卷积神经网络(CNN)。我们的方法进行了评估的数据集233例患者的T1加权图像包含三个肿瘤类型类注释(脑膜瘤,胶质瘤,垂体)。我们的模型QuickTumorNet证明了快速、可靠和准确的脑肿瘤分割,可用于协助临床医生进行诊断和治疗。
2020-12-22 cs.CV eess.IV
Unsupervised Domain Adaptation with SAM-RefiSeR for Enhanced Brain Tumor Segmentation
Dept. of Computer Science and Engineering(计算机科学与工程系);Research Convergence Institute(研究融合研究所);Dept. of Electrical and Computer Engineering(电气与计算机工程系)
本文提出SAM-RefiSeR方法,通过无监督领域适应提升脑肿瘤分割的准确性与泛化能力。
2026-01-11 cs.CV
SCC-YOLO: An Improved Object Detector for Assisting in Brain Tumor Diagnosis
本文提出SCC-YOLO架构,将SCConv模块集成至YOLOv9以优化卷积效率并增强特征学习,在两个脑肿瘤数据集上mAP50分别提升0.3%和0.5%,实现了最先进的检测性能。
2025-06-01 cs.AI cs.CV eess.IV
Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture
School of Biomedical Engineering(生物医学工程学院);Universidad Autónoma de Ciudad Juárez(华雷斯自治大学)
大脑是控制认知过程和身体功能的复杂器官。大脑中的肿瘤是影响大脑正常功能和过程的加速细胞生长。MRI扫描提供了身体的详细图像,是诊断脑肿瘤最常见的测试之一。从磁共振成像中分割脑肿瘤的过程可以为诊断、治疗计划和结果预测提供有价值的指导。在这里,我们考虑使用深度学习架构进行肿瘤分割的问题。虽然所提出的架构是简单的,并且在计算上易于训练,但它能够达到0.95的$IoU$水平。
2020-03-17 cs.CV eess.IV
Capsule Networks for Brain Tumor Classification based on MRI Images and Course Tumor Boundaries
Concordia Institute for Information Systems Engineering, Concordia University(康考迪亚大学康考迪亚信息系统工程研究所);University of Toronto(多伦多大学)
据官方统计,癌症被认为是人类死亡的第二大原因。在不同类型的癌症中,脑肿瘤由于其侵袭性、异质性和相对存活率低而被视为最致命的形式之一。确定脑肿瘤的类型对治疗选择和患者的生存有重要影响。以人为中心的诊断通常是容易出错和不可靠的,导致最近的兴趣激增,使用卷积神经网络(CNN)自动化这个过程。然而,CNN未能充分利用空间关系,这对肿瘤分类特别有害,因为肿瘤与其周围组织之间的关系是肿瘤类型的关键指标。在我们最近的工作中,我们结合了新开发的CapsNet来克服这个缺点。然而,CapsNet对各种图像背景高度敏感。本文件解决了这一差距。其主要贡献是使CapsNet能够进入肿瘤周围组织,而不会使其从主要目标上分心。因此,提出了一种改进的CapsNet架构用于脑肿瘤分类,该架构将肿瘤粗边界作为其管道内的额外输入,以增加CapsNet的焦点。所提出的方法明显优于其同行。
2018-11-01 cs.CV
Efficient Brain Tumor Segmentation Using a Dual-Decoder 3D U-Net with Attention Gates (DDUNet)
针对脑肿瘤分割中现有方法计算资源需求大、训练时间长的问题,提出带注意力门的双解码器3D U-Net(DDUNet),在BraTS 2020数据集上仅50个epoch就取得优异Dice分数,超过常用U-Net变体,为资源受限环境提供可行方案。
2025-04-14 cs.AI cs.CV eess.IV
Accelerating Cerebral Diagnostics with BrainFusion: A Comprehensive MRI Tumor Framework
School of Science and Engineering(科学与工程学院)
本文提出 BrainFusion 框架,融合微调 CNN 与 YOLOv8 实现脑肿瘤 MRI 分类和定位,VGG16 达到 99.86% 准确率,并增强临床可解释性。
2025-09-29 cs.AI cs.CV cs.LG
ME-Net: Multi-Encoder Net Framework for Brain Tumor Segmentation
Zhejiang Chinese Medical University(浙江中医药大学);Royal Brompton Hospital(皇家布朗普顿医院);Imperial College London(帝国理工学院);University of California at Los Angeles(加州大学洛杉矶分校)
胶质瘤是最常见和最具侵袭性的脑肿瘤。磁共振成像(MRI)对肿瘤的评估对于肿瘤手术的安排和后续手术的治疗起着至关重要的作用。然而,MRI图像的手动分割是费力的,这限制了其临床应用。随着深度学习的发展,已经开发了大量的自动分割方法,但大多数都停留在2D图像上,这导致性能不佳。此外,脑肿瘤和背景之间严重的体素不平衡以及脑肿瘤的大小和位置的不同使得3D图像的分割成为一个具有挑战性的问题。针对三维MRI图像分割问题,提出了一种多编码器脑肿瘤分割模型。该结构包含四个编码器和一个解码器。四个编码器对应于MRI图像的四种模态,执行一对一的特征提取,然后将四种模态的特征图合并到解码器中。该方法降低了特征提取的难度,大大提高了模型的性能。同时引入了一种新的损失函数"分类骰子",对不同分割区域同时设置不同的权重,解决了体素不平衡的问题。我们使用在线BraTS 2020挑战验证评估了我们的方法。我们提出的方法可以实现有希望的结果相比,最先进的方法与Dice评分为0.70249,0.88267,和0.73864的完整的肿瘤,肿瘤核心,和增强的肿瘤,分别在验证集。
2022-03-21 cs.AI cs.CV eess.IV
MRI Brain Tumor Segmentation using Random Forests and Fully Convolutional Networks
School of Computer Science, University of Lincoln(林肯大学计算机科学学院);National Heart & Lung Institute, Imperial College London(帝国理工学院国家心肺研究所)
在本文中,我们提出了一种新的基于学习的方法自动分割脑肿瘤的多模态MRI图像,它结合了两套机器学习和手工制作的功能。全卷积网络(FCN)形成机器学习的特征,基于纹理基元的特征被认为是手工制作的特征。随机森林(RF)用于将MRI图像体素分类为正常脑组织和肿瘤的不同部分,即水肿、坏死和增强肿瘤。在BRATS 2017挑战数据集上评价了该方法。结果表明,该方法提供了有前途的分割。对于整个肿瘤、核心和增强肿瘤,针对地面实况的自动脑肿瘤分割的平均Dice重叠度量分别为0.86、0.78和0.66。
2019-09-13 cs.CV
Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks
Shanghai United Imaging Intelligence Co. Ltd(上海联影智能医疗科技有限公司);Southern Medical University(南方医科大学)
在脑肿瘤的诊断和手术规划中,肿瘤区域的分割和周围正常组织的准确分析是医生必须要做的。病理变异性通常使得难以将良好标记的正常图谱配准到这样的图像以及自动分割/标记周围的正常脑组织。在本文中,我们提出了一种新的配准方法,首先使用U-Net分割脑肿瘤,然后使用部分卷积网络模拟肿瘤区域内错过的正常组织。然后,将标准的正常脑图谱图像配准到这样的肿瘤去除图像上,以分割/标记正常脑组织。这样,我们的新方法大大减少了变形配准中病理变异的影响,并很好地分割了脑肿瘤周围的正常组织。在实验中,我们使用MICCAI BraTS 2018 T1肿瘤图像来评估所提出的算法。通过与直接配准算法的比较,结果表明,与周围正常脑组织相比,脑灰质的Dice系数有明显提高。
2020-07-10 cs.CV eess.IV
Brain Tumor Image Retrieval via Multitask Learning
Kharkevich Institute for Information Transmission Problems(哈尔克维奇信息传输问题研究所);Moscow Institute of Physics and Technology(莫斯科物理技术学院);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Moscow Gamma-Knife Center(莫斯科伽马刀中心);Burdenko Neurosurgery Institute(布尔坚科神经外科研究所)
基于分类的图像检索系统是通过在相关分类问题上训练卷积神经网络(CNN)并使用所得特征空间中的距离作为相似性度量来构建的。然而,在实际应用中,通常期望具有考虑数据的若干方面(例如,脑肿瘤类型及其定位)。在我们的工作中,我们扩展了基于分类的方法与多任务学习:我们训练一个CNN的大脑MRI扫描与异构标签和实现相应的肿瘤图像检索系统。我们验证了我们的方法对脑肿瘤数据,其中包含有关肿瘤类型,形状和定位的信息。我们表明,我们的方法使我们能够建立比基于单任务分类的方法包含更多有关肿瘤的相关信息的表示。
2018-10-22 cs.CV
Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test-Time Augmentation
King’s College London(伦敦国王学院);University College London(伦敦大学学院)
脑肿瘤的自动分割对于脑肿瘤的诊断、手术规划和治疗效果评估具有重要意义。深度卷积神经网络(CNN)已被广泛用于此任务。由于用于训练的数据集相对较小,训练时的数据增强通常用于CNN的更好性能。最近的工作也证明了在测试时使用增强的有用性,除了训练时间,以实现更强大的预测。我们研究了测试时增强如何提高CNN在脑肿瘤分割中的性能。我们使用了不同的支撑网络结构,并在训练和测试时通过3D旋转,翻转,缩放和添加随机噪声来增强图像。利用BraTS 2018训练集和验证集进行的实验表明,测试时增强有助于提高脑肿瘤分割精度,并获得分割结果的不确定性估计。
2018-11-28 cs.CV
Unsupervised Brain Tumor Segmentation with Image-based Prompts
Beijing Institute of Technology(北京理工大学);Capital Medical University(首都医科大学);Beijing Tiantan Hospital(北京天坛医院)
提出基于图像提示的无监督脑肿瘤分割方法PL-BTS及改进版PL-BTS+,通过人工生成肿瘤样信号训练模型并引入验证任务监控过拟合,在公开和内部数据集上显著优于竞争方法。
2023-04-04 cs.CV
A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction
Pandit Deendayal Petroleum University(潘迪特·迪恩代尔石油大学)
脑肿瘤分割旨在从健康脑组织中描绘肿瘤组织。肿瘤组织包括坏死、瘤周水肿和活动性肿瘤。相反,健康的脑组织包括白质、灰质和脑脊液。基于MRI的脑肿瘤分割研究越来越受欢迎; 1.它不像X射线或计算机断层扫描成像那样照射电离辐射。2.它能产生身体内部结构的详细图像。MRI扫描被输入到基于深度学习的方法中,这些方法对自动脑肿瘤分割非常有用。来自片段的特征被馈送到分类器,该分类器预测患者的总体存活。本文的目的是对脑肿瘤分割和总体生存预测的最新技术进行广泛的概述。
2020-05-31 cs.CV cs.LG eess.IV
Brain Tumors Classification for MR images based on Attention Guided Deep Learning Model
Beihang University(北京航空航天大学);Massachusetts General Hospital, Harvard Medical School(哈佛医学院麻省总医院);Shanghai Jiao Tong University(上海交通大学);Ruijin Hospital, Shanghai Jiao Tong University School of Medicine(上海交通大学医学院附属瑞金医院)
在脑肿瘤的临床诊断和治疗中,人工读片耗费了大量的精力和时间。近年来,基于深度学习的肿瘤自动分类技术进入人们的视野。脑肿瘤根据来源可分为原发性和继发性颅内肿瘤。然而,据我们所知,大多数关于脑肿瘤的现有研究仅限于原发性颅内肿瘤图像,无法对肿瘤来源进行分类。为了解决肿瘤源类型分类的任务,我们分析了现有技术,提出了一种注意力引导的深度卷积神经网络(CNN)模型。同时,本文提出的方法也有效地提高了分类的准确性有或没有肿瘤。对于脑MR数据集,我们的方法可以达到99.18%的平均准确率下的10倍交叉验证,用于识别肿瘤的存在或不存在,和83.38%的分类肿瘤的来源。实验结果表明,该方法与医学专家的方法是一致的。它可以帮助医生实现脑肿瘤的有效临床诊断。
2021-04-06 cs.CV eess.IV
Brain Tumor Classification by Cascaded Multiscale Multitask Learning Framework Based on Feature Aggregation
Isfahan University of Technology(伊斯法罕理工大学);Seattle University(西雅图大学);McMaster University(麦克马斯特大学)
MRI图像中的脑肿瘤分析是一个重要且具有挑战性的问题,因为误诊可能导致死亡。在早期阶段对脑肿瘤进行诊断和评估可以增加成功治疗的可能性。然而,肿瘤、形状和位置的复杂性和多样性使得它们的分割和分类变得复杂。在这方面,许多研究人员提出了脑肿瘤分割和分类方法。本文提出了一种方法,同时分割和分类的MRI图像中的脑肿瘤,使用一个框架,包括MRI图像增强和肿瘤区域检测。最后,提出了一种基于多任务学习方法的网络。主观和客观的结果表明,基于评价指标的分割和分类结果是更好的或相当于国家的最先进的。
2021-12-28 cs.CV eess.IV
Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional Neural Networks
Aimech Technologies Corp.(Aimech科技公司);Air University(航空大学)
脑肿瘤是最具侵袭性的肿瘤,如果在后期诊断,可能会导致预期寿命降低。人工识别脑肿瘤是繁琐的,容易出错。误诊会导致错误的治疗,从而降低患者的生存机会。医学共振成像(MRI)是用于诊断脑肿瘤及其类型的常规方法。本文试图从诊断过程中消除人工过程,而使用机器学习。我们提出了使用预训练的卷积神经网络(CNN)进行脑肿瘤的诊断和分类。三种类型的肿瘤与一类非肿瘤MRI图像进行分类。已使用的网络有ResNet50、EfficientNetB1、EfficientNetB7、EfficientNetV2B1。EfficientNet由于其可扩展性而显示出有希望的结果。EfficientNetB1显示了最好的结果,训练和验证准确率分别为87.67%和89.55%。
2022-07-27 cs.CV eess.IV
CU-Net: a U-Net architecture for efficient brain-tumor segmentation on BraTS 2019 dataset
Columbia University(哥伦比亚大学)
本研究提出基于U形结构的CU-Net脑肿瘤分割模型,采用卷积、最大池化等操作,在BraTS 2019数据集上Dice系数达82.41%,优于两种现有最优模型,可助力肿瘤边界精准描绘以改善患者预后。
2024-06-19 cs.AI cs.CV q-bio.NC
A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation
University of Arkansas(阿肯色大学);Concordia University(康考迪亚大学);Carnegie Mellon University(卡内基梅隆大学)
近年来,深度神经网络在医学成像中的各种识别和分割任务(包括脑肿瘤分割)中取得了最先进的性能。我们研究了脑肿瘤分割面临的数据不平衡问题,即属于背景类的像素(非肿瘤像素)的数量远远大于属于前景类的像素(肿瘤像素)的数量。为了解决这个问题,我们提出了一个多任务网络,形成了一个级联结构。我们的模型包括两个目标,即,(i)有效地区分脑肿瘤区域和(ii)估计脑肿瘤掩模。第一个目标是通过我们提出的上下文脑肿瘤检测网络来执行的,该网络起着注意力门的作用,只关注脑肿瘤周围的区域,而忽略与肿瘤相关性较低的远邻背景。第二个目标是建立在3D atrous残差网络和编码-解码网络下,以便有效地分割大小物体(脑肿瘤)。我们的3D atrous残差网络设计有一个跳跃连接,使梯度从深层直接传播到浅层,因此,不同深度的特征被保留并用于相互细化。为了从体积MRI数据中整合更大的上下文信息,我们的网络利用了具有各种内核大小的3D atrous卷积,这扩大了滤波器的感受野。我们提出的网络已经在各种数据集上进行了评估,包括BRATS 2015,BRATS 2017和BRATS 2018数据集,包括验证集和测试集。我们的表现已通过基于区域的指标和基于表面的指标进行基准测试。我们还对最先进的方法进行了比较。
2020-12-03 cs.CV
A Multiscale Patch Based Convolutional Network for Brain Tumor Segmentation
Stryker Corporation(史赛克公司)
本文提出了一种基于多尺度块的卷积神经网络,用于多模态3D MR图像中脑肿瘤的自动分割。我们使用多尺度深度监督和输入来训练卷积网络。我们评估了所提出的方法在BRATS 2017分割挑战中的有效性,在该挑战中,我们分别获得了增强肿瘤核心、整个肿瘤和肿瘤核心的0.755、0.900、0.782和95% Hausdorff距离(3.63 mm、4.10 mm和6.81 mm)的骰子分数。
2017-10-06 cs.CV q-bio.NC
Brain Tumor Detection Based On Symmetry Information
计算技术的进步已经允许跨许多努力领域的研究人员收集和维护大量的观察统计数据,诸如临床数据、生物患者数据、关于网站访问的数据、财务数据等。针对脑磁共振(MRI)图像肿瘤分割中存在的磁共振强度与解剖学意义之间的弱相关性,提出了一种新的肿瘤分割方法。为了利用更有意义的信息来改善脑肿瘤分割,提出了一种利用双侧对称信息作为分割特征的方法。这是由潜在的性能改进的一般自动脑肿瘤分割系统,这是重要的许多医疗和科学应用的动机
2013-11-23 cs.CV
Segment Anything Model for Brain Tumor Segmentation
Zhengzhou University(郑州大学)
本研究针对脑肿瘤精准分割的临床需求,评估了零样本图像分割基础模型SAM在脑肿瘤分割任务上的性能,发现未微调的SAM与当前SOTA模型仍有差距。
2024-09-11 cs.CV eess.IV
Automated Tumor Segmentation and Brain Mapping for the Tumor Area
磁共振成像(MRI)是用于精确检测各种病理的重要诊断工具。磁共振(MR)比计算机断层扫描(CT)更受欢迎,因为MR图像的高分辨率有助于更好地检测神经系统疾病。由于医生工作量的增加,图形用户界面(GUI)辅助疾病检测变得越来越有用。在这项工作中,提出了一种新的两步GUI技术的脑肿瘤分割以及Brodmann区域检测分割的肿瘤。15例患者的T2加权图像数据集用于验证所提出的方法。患者数据包含种族、性别(男性和女性)和年龄(25-50岁)的变化,从而增强了所提出方法的真实性。使用模糊C均值聚类对肿瘤进行分割,并使用已知模板进行Brodmann区域检测,将每个区域映射到分割的肿瘤图像。所提出的方法被认为是相当准确和强大的检测肿瘤。
2017-10-28 cs.CV
A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学)
本文提出一种弱监督反事实生成框架,通过分离类别相关特征并在拓扑流形中生成正常对照样本,在无需像素级标注的情况下实现高性能且全局可解释的脑肿瘤分割。
2024-08-02 cs.CV
Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation
Rowan University(罗文大学);University of Alabama at Birmingham(阿拉巴马大学伯明翰分校)
磁共振成像(MRI)通常用于脑肿瘤诊断、治疗计划和治疗后监测。最近,已经提出了各种基于深度神经网络的模型,用于脑MRI中肿瘤的像素级分割。然而,MRI中的结构变化、空间差异和强度不均匀性使得分割成为一项具有挑战性的任务。我们提出了一个新的端到端的脑肿瘤分割架构的基础上U-Net,集成Inception模块和扩张卷积到其收缩和扩展路径。这使我们能够提取局部结构以及全局上下文信息。我们使用Brain Tumor Segmentation(BraTS)2018数据集对胶质瘤子区域进行了分割,包括肿瘤核心、增强肿瘤和整个肿瘤。我们提出的模型在肿瘤核心和整个肿瘤分割方面的表现明显优于最先进的基于U-Net的模型($p<0.05$)。
2021-08-15 cs.CV cs.LG eess.IV
Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of Human Brain WholeTumor Segmentation
在医学图像处理中,一个重要的任务就是对脑部肿瘤的整体分割。它有助于更快的临床评估和早期发现脑肿瘤,这对挽救患者生命的治疗程序至关重要。因为,脑肿瘤通常可以是恶性或良性的,如果它们在早期被发现。脑肿瘤是大脑中异常细胞的集合或团块。人类头骨非常严格地封闭了大脑,在这个受限制的地方内的任何生长都可能导致严重的健康问题。脑肿瘤的检测需要仔细和复杂的分析,以制定手术计划和治疗。大多数医生使用磁共振成像(MRI)来诊断此类肿瘤。已知使用MRI手动诊断肿瘤是耗时的;大约每个样本需要长达18小时。因此,肿瘤的自动分割成为解决这一问题的最佳方案。研究表明,该技术提供了更好的准确性,并且比手动分析更快,从而使患者在正确的时间接受治疗。我们的研究引入了一种称为多通道MRI嵌入的有效策略,以改善基于深度学习的肿瘤分割结果。对Brats-2019数据集的U-Net编码器-解码器(EnDec)模型的实验分析显示出显着的改进。嵌入策略超越了国家的最先进的方法,提高了2%,没有任何时间开销。
2020-09-13 cs.CV
Multi-stage Deep Layer Aggregation for Brain Tumor Segmentation
University of Minho(米尼奥大学)
神经胶质瘤是最具攻击性和致命性的脑肿瘤之一。本文详细介绍了用于磁共振图像脑肿瘤分割的拟议深度神经网络架构。该架构由三个深层聚合神经网络的级联组成,其中每个阶段使用特征图和前一阶段的概率以及MRI通道作为输入来阐述响应。神经成像数据是公开可用的脑肿瘤分割(BraTS)2020挑战数据集的一部分,我们在BraTS 2020验证和测试集中评估了我们的提案。在测试集中,实验结果实现了0.8858、0.8297和0.7900的Dice评分,对于整个肿瘤、核心肿瘤和增强肿瘤,Hausdorff距离分别为5.32 mm、22.32 mm和20.44 mm。
2021-01-02 cs.CV eess.IV
Brain Tumor Classification Using Medial Residual Encoder Layers
Isfahan University of Technology(伊斯法罕理工大学);Seattle University(西雅图大学);McMaster University(麦克马斯特大学)
根据世界卫生组织(WHO)的数据,癌症是全球第二大死亡原因,仅在2018年就造成950多万人死亡。每四个癌症死亡中就有一个是脑瘤。因此,准确和及时地诊断脑肿瘤将导致更有效的治疗。医生仅通过脑外科的活检手术对脑肿瘤进行分类,在诊断肿瘤类型后,为患者考虑治疗计划。基于机器学习算法的自动系统可以让医生通过非侵入性措施诊断脑肿瘤。迄今为止,已经提出了几种图像分类方法来帮助诊断和治疗。对于这项工作中的脑肿瘤分类,我们提供了一个基于深度学习的系统,包含编码器块。这些块被馈送以最大池化后的特征作为残差学习。我们的方法通过使用有限的医学图像数据集提高磁共振成像(MRI)图像中的肿瘤分类准确性,显示出有希望的结果。该模型在由3064张MR图像组成的数据集上的实验评估显示了95.98%的准确率,这比以前在该数据库上的研究要好。
2021-12-09 cs.CV eess.IV
Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain Tumor Segmentation in MRI scans
Massachusetts General Hospital(麻省总医院);Harvard University(哈佛大学);General Electric Healthcare(通用电气医疗集团);Indian Institute of Science(印度科学学院)
胶质瘤是最常见的脑肿瘤之一,分为高级别和低级别胶质瘤。肿瘤核心、强化区等区域的分割对判断肿瘤的严重程度和预后有重要作用。在这里,我们已经开发了一个多阈值模型的基础上注意力的U-Net的磁共振成像(MRI)中的肿瘤的各个区域的识别。我们提出了一种多路径分割,并建立了三个独立的模型,为不同的兴趣区域。所提出的模型在训练数据集上分别实现了增强肿瘤、整个肿瘤和肿瘤核心的平均Dice系数为0.59、0.72和0.61。同一模型在验证数据集上给出的平均Dice系数为0.57、0.73和0.61,在测试数据集上给出的平均Dice系数为0.59、0.72和0.57。
2021-01-29 cs.AI cs.CV eess.IV
Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network
University of Isfahan(伊斯法罕大学);Geneva University Hospital(日内瓦大学医院)
脑肿瘤分割在诊断和治疗计划中具有很高的贡献。手动脑肿瘤描绘是一项耗时且繁琐的任务,并且取决于放射科医师的技能。脑肿瘤的自动分割是非常重要的,并且不依赖于观察间或观察内。本研究的目的是通过深度学习方法,从FLAIR、T1加权、T2加权和T1加权对比增强MR序列中自动描绘脑肿瘤,重点是确定哪种MR序列单独或其组合将导致其中的最高准确度。
2022-03-07 cs.CV eess.IV physics.med-ph
Enhancing MRI Brain Tumor Segmentation with an Additional Classification Network
Vingroup Big Data Institute (VinBigdata)(越南 VinBigdata 大数据研究院);Hanoi University of Science and Technology (HUST)(河内科技大学);University of Engineering and Technology (UET), VNU(越南国立大学工程技术大学)
脑肿瘤分割在医学图像分析中起着至关重要的作用。在最近的研究中,深度卷积神经网络(DCNN)在处理肿瘤分割任务方面非常强大。在本文中,我们提出了一种新的训练方法,通过向网络添加额外的分类分支来增强分割结果。整个网络在多模式脑肿瘤分割挑战(BraTS)2020训练数据集上进行端到端训练。在BraTS的验证集上,增强肿瘤、整个肿瘤和肿瘤核心的平均Dice评分分别为78.43%、89.99%和84.22%。
2020-10-28 cs.CV eess.IV
3D U-Net Based Brain Tumor Segmentation and Survival Days Prediction
University of Electronic Science and Technology of China(电子科技大学);New Jersey Institute of Technology(新泽西理工学院)
在过去的几年里,深度学习在许多应用场景中流行,其中之一就是医学图像处理。脑肿瘤的诊断和治疗需要对脑肿瘤进行准确可靠的分割作为前提。然而,这样的工作通常需要脑外科医生大量的时间。计算机视觉技术可以让外科医生从繁琐的标记过程中解脱出来。在本文中,基于3D U-net的深度学习模型已经在BraTS 2019竞赛中的脑肿瘤分割任务的大脑归一化和修补策略的帮助下进行了训练。在验证数据集上,增强肿瘤、肿瘤核心和整个肿瘤的Dice系数分别为0.737、0.807和0.894。测试数据集上的这三个值分别为0.778、0.798和0.852。此外,从预测的肿瘤标记中提取包括肿瘤大小与脑大小的比率和肿瘤表面的面积以及受试者的年龄在内的数值特征,并将其用于总生存天数预测任务。验证数据集的准确度为0.448,最终测试数据集的准确度为0.551。
2020-03-31 cs.CV eess.IV
Brain Tumor Detection Based On Mathematical Analysis and Symmetry Information
图像分割脑磁共振图像肿瘤分割的一些挑战性问题是由于磁共振成像强度与解剖意义之间的弱相关性造成的,为了利用更有意义的信息来改善脑肿瘤分割,本文提出了一种利用双边对称信息作为分割特征的方法,这是由于在一般的自动分割算法中,脑磁共振图像分割是医学成像领域中的一个复杂问题,脑磁共振图像可以被划分为多个子区域,特别是软组织,如灰质、白质和脑脊液,虽然边缘信息是图像分割的主要线索,本文提出了一种新的肿瘤图像分割算法,该算法在对图像内容进行分析时,如果不结合其它信息,就不能得到较好的分割效果,从而实现肿瘤的位置和边界的自动检测,并对实际图像进行了实验,结果表明该算法灵活方便,具有一定的实用价值。
2014-03-24 cs.CV
Brain Tumor Classification From MRI Images Using Machine Learning
PSG College of Technology(PSG技术学院)
针对脑肿瘤早期检测与分类的临床需求,本项目提出开发基于集成学习的机器学习预测系统,用于从MRI图像中定位并分类脑肿瘤,助力精准诊断与治疗规划。
2024-07-15 cs.CV cs.LG eess.IV
HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation
Shenzhen University(深圳大学);Huazhong University of Science and Technology(华中科技大学)
脑肿瘤分割任务旨在使用多模型MRI图像将组织分类为整个肿瘤(WT)、肿瘤核心(TC)和增强肿瘤(ET)类。脑肿瘤的定量分析对于临床决策至关重要。虽然手动分割是繁琐的,耗时的,主观的,这个任务是在同一时间非常具有挑战性的自动分割方法。由于强大的学习能力,卷积神经网络(CNN),主要是全卷积网络,已经显示出很有前途的脑肿瘤分割。本文通过提出高密度初始3D UNet(HI-Net)进一步提高了脑肿瘤分割的性能,该网络通过在剩余初始块中堆叠3D加权卷积层的因式分解来捕获多尺度信息。我们在分解卷积层之间使用超密集连接,以在特征可重用性的帮助下提取更多的上下文信息。我们使用骰子损失函数来处理类不平衡。我们在多模态脑肿瘤分割挑战(BRATS)2020测试数据集上验证了所提出的架构。在BRATS 2020测试集上的初步结果表明,通过我们提出的方法,ET,WT和TC的骰子(DSC)得分分别为0.79457,0.87494和0.83712。
2020-12-12 cs.CV eess.IV
Deep Recurrent Level Set for Segmenting Brain Tumors
Carnegie Mellon University(卡内基梅隆大学)
变分水平集(VLS)是一种广泛应用于医学图像分割的方法。然而,在VLS方法的分割精度显着降低时,处理干预因素,如照明,阴影,颜色等,此外,结果是非常敏感的初始设置,并高度依赖于迭代次数。为了解决这些限制,所提出的方法通过定义一种称为深度递归水平集(DRLS)的新型端到端可训练模型,将VLS纳入深度学习。DRLS由三层组成,即卷积层、带跳跃连接的解卷积层和LevelSet层。脑肿瘤分割作为一个瞬间,以说明所提出的DRLS的性能。卷积层以不同的尺度学习脑肿瘤的视觉表示。由于脑肿瘤占据图像的一小部分,因此反卷积层被设计为具有跳过连接以获得高质量的特征图。Level-Set Layer将轮廓推向脑瘤。在每一步中,卷积层都被输入LevelSet图以获得脑肿瘤特征图。这反过来又作为下一步中LevelSet层的输入。在BRATS 2013、BRATS 2015和BRATS 2017数据集上获得了实验结果。建议DRLS模型提高了计算时间和分割精度相比,经典的基于VLS-based方法。此外,一个完全端到端的系统DRLS实现了最先进的脑肿瘤分割。
2018-10-10 cs.CV
Analyzing Deep Learning Based Brain Tumor Segmentation with Missing MRI Modalities
Beijing-Dublin International College(北京-都柏林国际学院);University College Dublin(都柏林大学)
本技术报告对现有的基于深度学习(DL)的脑肿瘤分割方法进行了比较分析,其中缺少MRI模态。评估的方法包括对抗性协同训练网络(ACN)以及mmGAN和DeepMedic的组合。更稳定和易于使用的mmGAN版本也在GitHub存储库中开源。使用BraTS2018数据集,这项工作证明了最先进的ACN表现更好,特别是当T1c缺失时。而mmGAN和DeepMedic的简单组合在仅缺少一种MRI模态时也显示出强大的潜力。此外,这项工作开始与未来的研究方向与缺失的MRI模式的脑肿瘤分割的讨论。
2022-08-06 cs.CV