Automatic Image Segmentation by Dynamic Region Merging
The Hong Kong Polytechnic University（香港理工大学）
本文研究了区域合并方式下的图像自动分割问题。对于初始过度分割的图像，其中检测到具有均匀颜色的许多区域（或超像素），通过根据统计测试迭代地合并区域来执行图像分割。区域合并算法有两个基本问题：合并顺序和停止准则。在该算法中，这两个问题都解决了一个新的谓词，这是由序贯概率比检验（SPRT）和最大似然准则定义的。从过度分割的图像开始，如果存在根据该谓词进行合并的证据，则逐步合并相邻区域。我们证明了合并顺序遵循动态规划的原则。这将图像分割公式化为推理问题，其中基于观察到的图像建立最终分割。我们还证明了所产生的分割满足某些全球性的性质。此外，一个更快的算法被开发来加速区域合并过程，该算法在每次迭代中保持最近邻图。在真实自然图像上的实验验证了该算法的有效性。
2010-12-06 cs.CV cs.RO
Large-scale Remote Sensing Image Target Recognition and Automatic Annotation
本文提出LRSAA方法，通过集成YOLOv11与MobileNetV3-SSD并结合泊松盘采样分割和EIOU度量，实现大规模遥感图像的高效目标识别与自动标注，在精度与速度间取得良好平衡。
2025-03-10 cs.CV
Automatic Image Pixel Clustering based on Mussels Wandering Optimiz
University of Nebraska at Omaha（内布拉斯加大学奥马哈分校）；New Jersey Institute of Technology（新泽西理工学院）
图像分割作为一个聚类问题，是在没有任何初步标签的情况下识别图像上的像素组。由于图像片段的大小和形状的变化，它仍然是机器视觉中的一个挑战。此外，在没有图像内容的先验知识的情况下，确定图像中的段数是NP难的。提出了一种基于贻贝游动优化的彩色图像像素自动聚类方法。通过应用激活变量来确定聚类的数量以及聚类中心的优化，图像被分割，具有最小的先验知识和人为干预。通过修改类内和类间平方和比率的随机自然图像内容，我们提供了一种新的适应度函数的图像像素聚类任务。综合的实证研究所提出的计划对其他国家的最先进的竞争对手的合成数据和ASD数据集已经证明了有前途的性能所提出的计划。
2019-09-08 cs.CV
Kvasir-SEG: A Segmented Polyp Dataset
SimulaMet（西穆拉梅特研究所）；UIT The Arctic University of Norway（挪威北极大学）；Augere Medical AS（奥热医疗公司）；University of Oslo（奥斯陆大学）；Kristiania University College（克里斯蒂安尼亚大学学院）；Oslo Metropolitan University（奥斯陆城市大学）；Oslo University Hospital（奥斯陆大学医院）
逐像素图像分割在医学图像分析中是一项高要求的任务。在实践中，很难找到具有相应分割掩模的注释医学图像。在本文中，我们介绍了Kvasir-SEG：一个开放访问的胃肠道息肉图像和相应的分割掩模数据集，由医生手动注释，然后由经验丰富的胃肠病学家进行验证。此外，我们还生成的息肉区域的边界框的分割掩模的帮助下。我们演示了使用传统分割方法和基于深度学习的现代卷积神经网络（CNN）方法来使用我们的数据集。该数据集将对研究人员重现结果和比较方法具有价值。通过向Kvasir数据集添加仅提供逐帧注释的分割掩码，我们使多媒体和计算机视觉研究人员能够在息肉分割和结肠镜检查图像自动分析领域做出贡献。
2019-11-16 cs.CV eess.IV
Spatio-Temporal Dual-Stream Neural Network for Sequential Whole-Body PET Segmentation
University of Sydney（悉尼大学）；Royal Prince Alfred Hospital（皇家阿尔弗雷德王子医院）
连续全身18 F-氟脱氧葡萄糖（FDG）正电子发射断层扫描（PET）被认为是评估淋巴瘤治疗反应的首选成像方式，因为它们在解剖成像可能没有变化时检测治疗反应。在全身PET中对淋巴瘤的任何计算机化分析都需要对研究进行自动分割，以便可以随着时间的推移对疾病部位进行定量监测。最先进的PET图像分割方法基于卷积神经网络（CNN），因为它们能够利用带注释的数据集来获得有关疾病过程的高级特征。然而，这样的方法集中于来自单个时间点的PET图像并且丢弃来自其他扫描的信息，或者针对特定器官并且不能迎合全身PET图像中的多个结构。在这项研究中，我们提出了一个时空的“双流”神经网络（ST-DSNN）分割顺序全身PET扫描。我们的ST-DSNN学习并积累了随着时间推移完成的PET图像的图像特征。累积的图像特征用于增强随时间一致的器官/结构，以允许更容易地识别活动性淋巴瘤的部位。我们的研究结果表明，我们的方法优于国家的最先进的PET图像分割方法。
2021-06-09 cs.CV eess.IV
Soft Segmented Randomization: Enhancing Domain Generalization in SAR-ATR for Synthetic-to-Measured
Yeungnam University（岭南大学）；POSTECH（浦项科技大学）；LIG Nex1 Co., Ltd.（LIG Nex1公司）
针对合成孔径雷达合成数据与实测数据差异导致模型性能下降的问题，提出软分段随机化框架，利用高斯混合模型对目标与杂波区域进行软分割并引入随机变化，显著提升了模型在实测数据上的泛化性能。
2024-09-21 cs.CV
Pancakes: Consistent Multi-Protocol Image Segmentation Across Biomedical Domains
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；MGH（麻省总医院）；HMS（哈佛医学院）
Pancakes 提出了一种新的框架，能够自动为多个可能的协议生成多标签分割图，同时保持相关图像之间的语义一致性，在生物医学领域内实现多协议图像分割的一致性。
2025-12-15 cs.CV cs.LG
Polarimetric SAR Image Segmentation with B-Splines and a New Statistical Model
Instituto de Computação, Universidade Federal de Alagoas（阿拉戈斯联邦大学计算研究所）；Departamento de Computación, Universidad de Buenos Aires（布宜诺斯艾利斯大学计算系）
提出了一种基于B样条活动轮廓和极化SAR数据的新模型GHP分布的极化SAR图像区域边界检测方法。为了检测区域的边界，初始B样条曲线指定，自动或手动，和所提出的算法使用变形轮廓技术来找到边界。在这样做时，估计数据的极化GHP模型的参数，以便找到被分割的区域和周围区域之间的过渡点。这是一个局部算法，因为它只对要分割的区域起作用。其性能的结果。
2012-07-17 cs.CV stat.ML
Automatic symmetry based cluster approach for anomalous brain identification in PET scan image : An Analysis
Sathyabama University（萨蒂亚巴马大学）；Narasu’s Sarathy Institute of Technology（纳拉苏萨拉蒂技术学院）
医学图像分割是指从不同的医学图像中分割出已知的解剖结构。通常情况下，医学数据研究是一个比较复杂和独特的结构。这种计算机辅助诊断用于辅助医生评估医学图像或识别医学图像中的异常发现。整合医学数据处理的专业知识，有助于形成一个真正有用的医疗决策系统。本文研究了聚类算法中应用的不同对称性距离，并分析了正电子发射断层扫描（PET）扫描图像分割的对称性方法。与CT和MRI不同，PET扫描可以识别进出器官的血流结构。PET扫描还有助于癌症和心脏，大脑和胃肠疾病的早期诊断，并检测治疗进展。本文将PET图像的诊断范围扩展到脑的各种功能。
2013-03-04 cs.CV
Symmetry Based Cluster Approach for Automatic Recognition of the Epileptic Focus in Brain Using PET Scan Image : An Analysis
Sathyabama University（萨蒂亚巴马大学）；Narasu’s Sarathy Institute of Technology（纳拉苏萨拉蒂技术学院）
癫痫病灶的识别是癫痫患者潜在外科治疗筛选的重要诊断。由于图像空间分辨率低，噪声数据多，精确定位是一个挑战。正电子发射断层扫描（PET）现在已经取代了这个问题，并且具有很高的分辨率。本文主要研究基于对称性聚类的脑功能图像癫痫发作自动定位方法。该方法提出了一种全自动的基于对称性的PET序列脑异常检测方法。PET图像在空间上归一化为医学数字成像和通信（DICOM）标准，然后使用基于对称性的聚类方法使用医学图像处理、分析和可视化（MIPAV）工具对其进行训练。性能的演变被认为是诊断的准确性等度量。所获得的结果确实有助于外科医生自动识别癫痫灶。
2013-03-04 cs.CV
3-D PET Image Generation with tumour masks using TGAN
University of British Columbia Data Science Institute（不列颠哥伦比亚大学数据科学研究所）；BC Cancer Research Institute（不列颠哥伦比亚省癌症研究所）；University of British Columbia（不列颠哥伦比亚大学）
由于缺乏训练数据、标记样本和隐私问题，在医学图像上训练用于疾病诊断或图像分割的计算机视觉相关算法是困难的。出于这个原因，一个强大的生成方法来创建合成数据是非常受欢迎的。然而，大多数三维图像生成器需要额外的图像输入或非常占用内存。为了解决这些问题，我们提出了适应视频生成技术的3-D图像生成。使用时间GAN（TGAN）架构，我们表明，我们能够生成逼真的头部和颈部PET图像。我们还表明，通过调节肿瘤掩模的发生器，我们能够控制生成的图像中的肿瘤的几何形状和位置。为了测试合成图像的效用，我们使用合成图像训练分割模型。以真实肿瘤掩模为条件的合成图像被自动分割，并且相应的真实图像也被分割。我们使用Dice评分评估分割，发现分割算法在两个数据集上的表现相似（0.65合成数据，0.70真实数据）。然后针对每个数据集在分割的肿瘤体积上计算各种放射学特征。真实和合成特征分布的比较显示，八个特征分布中的七个具有统计学上不显著的差异（p>0.05）。相关系数也计算了所有的辐射学特征之间的关系，结果表明，所有的强统计相关性的真实数据集被保存在合成数据集。
2021-11-02 cs.CV cs.LG eess.IV
BioFace3D: A fully automatic pipeline for facial biomarkers extraction of 3D face reconstructions segmented from MRI
La Salle - Universitat Ramon Llull（拉蒙·柳利大学拉萨尔学院）；Universitat de Barcelona（巴塞罗那大学）；FIDMAG, Sisters Hospitallers Research Foundation（仁爱修女会研究基金会FIDMAG研究所）；CIBERSAM（精神健康生物医学研究网络）；Hospital de Sant Pau i la Santa Creu（圣保禄圣十字医院）
BioFace3D提出了一种从MRI重建三维面部模型并全自动提取面部生物标志物的流程，通过标志点配准和几何形态测量学实现客观定量分析，以辅助遗传及精神类疾病的诊断。
2024-10-01 cs.CV q-bio.QM
Automatic Detection of Pulmonary Embolism using Computational Intelligence
本文介绍了一个系统的实现，旨在自动检测肺扫描中肺栓塞的存在。这些图像首先被分割，然后对齐和特征提取使用PCA。用混合蒙特卡罗方法对神经网络进行了训练，得到了250个神经网络，取得了良好的效果。
2007-06-03 cs.CV
Indoor Scene Generation from a Collection of Semantic-Segmented Depth Images
Beihang University（北京航空航天大学）；Microsoft Research Asia（微软亚洲研究院）
我们提出了一种用于创建3D室内场景的生成模型，该生成模型是从不同未知场景捕获的语义分割深度图像集合中学习的。给定一个指定大小的房间，我们的方法自动生成3D对象在一个房间从随机采样的潜在代码。不同于现有的方法，表示一个室内场景的类型，位置和其他属性的对象在房间里，并从一个完整的3D室内场景的集合学习场景布局，我们的方法模型每个室内场景作为一个3D语义场景体积和学习体积生成对抗网络（GAN）从一个集合的2.5D部分观察3D场景。为此，我们应用可微投影层将生成的3D语义场景体投影到语义分割的深度图像中，并设计了一种新的多视图投影，用于从2.5D语义分割的深度图像中学习完整的3D场景体。与现有的方法相比，我们的方法不仅有效地减少了建模和获取3D场景训练的工作量，而且还产生了更好的对象形状和它们在场景中的详细布局。我们评估我们的方法与不同的室内场景数据集，并证明我们的方法的优点。我们还扩展了我们的方法，用于从真实场景的RGB图像推断出的语义分割深度图像生成3D室内场景。
2021-08-20 cs.CV
Automatic Weight Estimation of Harvested Fish from Images
James Cook University（詹姆斯·库克大学）；Funbox Inc.（Funbox公司）
在澳大利亚昆士兰州的三个不同地点收集了大约2，500个重量和相应图像的收获的Lates calcarifer（亚洲鲈鱼或barramundi）。对LinkNet-34分割卷积神经网络（CNN）的两个实例进行了训练。第一个是在200个手动分割的鱼面具上训练的，这些面具不包括鳍和尾巴。第二组接受了100个全鱼面具的训练。这两个CNN被应用于其余的图像，并产生自动分割的掩模。单因素和双因素简单数学面积加权模型拟合了前两个位置的1072个面积加权对，其中面积值是从自动分割的掩模中提取的。当应用于1，400张测试图像（来自第三个位置）时，单因素全鱼掩模模型实现了最佳平均绝对百分比误差（MAPE），MAPE= 4.36%。还训练了直接从图像回归加权CNN，其中基于无鳍的CNN在测试图像上表现最好，MAPE= 4.28%。
2019-09-06 cs.CV eess.IV
AutoPET Challenge 2022: Automatic Segmentation of Whole-body Tumor Lesion Based on Deep Learning and FDG PET/CT
Shenzhen University（深圳大学）
肿瘤病变的自动分割是定量PET/CT分析的关键初始处理步骤。然而，具有不同形状、大小和摄取强度的众多肿瘤病变可分布在整个身体的不同解剖背景中，并且在健康器官中也存在显著的摄取。因此，建立一个系统的PET/CT肿瘤病灶分割模型是一个具有挑战性的任务。在本文中，我们提出了一种新的训练策略来构建能够进行系统性肿瘤分割的深度学习模型。我们的方法在AutoPET 2022挑战赛的训练集上得到了验证。我们在初步测试集上获得了0.7574的Dice得分，0.0299的假阳性体积和0.2538的假阴性体积。https://github.com/ZZZsn/MICCAI2022-autopet
2022-08-31 cs.AI cs.CV eess.IV
Automatic Text Area Segmentation in Natural Images
Purdue University（普渡大学）
我们提出了一种分层的方法分割文本区域的自然图像。该方法假设文本是在或多或少均匀的背景上用对比色书写的。但是没有对用于编写文本的语言或字符集做出任何假设。特别是，文本可以包含简单的图形或符号。我们的方法的主要特点是，我们首先集中精力寻找文本的背景，然后再测试背景上是否真的有文本。由于均匀区域很容易在自然图像中找到，并且由于文本背景定义了包含“孔”（文本被写入的地方）的区域，因此我们寻找包含“孔”的均匀区域并将其标记为文本背景候选者。然后进一步测试每个候选区域在其凸包内是否存在文本。我们测试了我们的方法，包括英语和乌尔都语文本的65个图像的数据库。该方法正确分割了63个图像中的所有文本区域，其中只有4个图像中不包含文本的区域也被分割。
2008-01-31 cs.CV
An Automatic Method for Complete Brain Matter Segmentation from Multislice CT scan
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；Post graduate Institute of Medical Education and Research（研究生医学教育与研究学院）
计算机断层成像以其成像速度、图像对比度和分辨率以及成本而被广泛接受。因此，它在脑部疾病的检测和诊断中具有广泛的用途。但遗憾的是，目前关于CT分割的研究报道并不多。本文提出了一个强大的自动分割系统，它能够分割完整的脑物质从CT切片，没有任何损失的信息。该方法简单、快速、准确、全自动。它可以在单次运行中处理多层CT扫描。从给定的多层CT数据集中，自动选择一个切片以形成用于分割的掩模。创建了两种类型的面罩，以更好地处理鼻切片。使用自动种子点选择和区域生长技术从选定的参考切片创建掩模。一个掩模设计用于脑物质，另一个掩模包括参考切片的颅骨。该第二掩模被用作所有切片的全局参考掩模，而脑物质掩模仅在相邻切片上实现，并连续修改以获得更好的分割。将给定数据集中的切片分为两批，参考切片之前和参考切片之后。每一批都单独分段。连续传播的脑物质掩模已被证明是非常高的潜力，在报告的分割。呈现的结果在所有情况下均显示出最高的灵敏度和超过96%的准确性。分割后的图像可用于任何脑部疾病的诊断或进一步的图像分析。
2018-10-22 cs.CV
Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks
University College London（伦敦大学学院）
提出了一种全卷积神经网络级联算法，用于脑肿瘤多模态磁共振图像的分割，将图像分割为背景区域、肿瘤整体区域、肿瘤中心区域和增强区域。级联的目的是将多类分割问题分解成一系列的三个二进制分割问题，根据子区域的层次结构。在第一步中分割整个肿瘤，并且在第二步中将结果的限界框用于肿瘤核心分割。然后基于肿瘤核心分割结果的限界框分割增强的肿瘤核心。我们的网络由多层各向异性和膨胀卷积滤波器组成，它们与多视图融合相结合，以减少误报。在这些网络中采用残差连接和多尺度预测来提高分割性能。在BraTS 2017验证集上的实验表明，该方法对增强肿瘤核心、整个肿瘤和肿瘤核心的平均Dice分数分别为0.7859、0.9050、0.8378。BraTS 2017测试集的相应值分别为0.7831、0.8739和0.7748。
2017-12-15 cs.CV
DeepMTS: Deep Multi-task Learning for Survival Prediction in Patients with Advanced Nasopharyngeal Carcinoma using Pretreatment PET/CT
University of Sydney（悉尼大学）；Fudan University（复旦大学）；Fudan University Shanghai Cancer Center（复旦大学附属肿瘤医院）
鼻咽癌（Nasopharyngeal Carcinoma，NPC）是一种发生于鼻咽部的恶性上皮癌。生存预测是NPC患者的主要关注点，因为它为计划治疗提供了早期预后信息。最近，基于深度学习的深度生存模型已经证明了超越传统的基于放射学的生存预测模型的潜力。深度生存模型通常使用覆盖整个目标区域的图像块（例如，用于NPC的鼻咽）或仅包含分割的肿瘤区域作为输入。然而，使用整个目标区域的模型还将包括不相关的背景信息，而使用分割的肿瘤区域的模型将忽略原发性肿瘤之外存在的潜在预后信息（例如，局部淋巴结转移和邻近组织浸润）。在这项研究中，我们提出了一个3D端到端的深度多任务生存模型（DeepMTS），用于联合生存预测和肿瘤分割在治疗前的PET/CT晚期NPC。我们的新颖之处在于引入了硬共享分割主干来指导与原发性肿瘤相关的局部特征的提取，从而减少了来自非相关背景信息的干扰。此外，我们还引入了级联生存网络来捕获原发性肿瘤外存在的预后信息，并进一步利用全局肿瘤信息（例如，肿瘤大小、形状和位置）。我们对两个临床数据集的实验表明，我们的DeepMTS可以始终优于传统的基于放射学的生存预测模型和现有的深度生存模型。
2022-06-07 cs.CV cs.LG eess.IV
A Localization-to-Segmentation Framework for Automatic Tumor Segmentation in Whole-Body PET/CT Images
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
本文提出一种定位到分割框架L2SNet，通过病灶定位与分割两阶段及自适应阈值方案解决全身PET/CT图像中肿瘤精确分割难题，在MICCAI 2023挑战数据集上取得前7的竞争性结果。
2023-09-14 cs.CV eess.IV
Overview of the HECKTOR Challenge at MICCAI 2021: Automatic Head and Neck Tumor Segmentation and Outcome Prediction in PET/CT Images
HES-SO Valais-Wallis University of Applied Sciences and Arts Western Switzerland（瑞士西部应用科学与艺术大学瓦莱州分校）；Centre Hospitalier Universitaire Vaudois (CHUV)（沃州大学中心医院）；Centre Hospitalier Universitaire de Poitiers (CHUP)（普瓦捷大学中心医院）；Univ Brest（布雷斯特大学）；INSERM（法国国家健康与医学研究院）；LaTIM（医学信息处理实验室）；Cleveland Clinic Foundation（克利夫兰医学中心基金会）；University of Sherbrooke（舍布鲁克大学）
本文概述了第二版的头部和颈部肿瘤（HECKTOR）挑战赛，该挑战赛是2021年第24届医学图像计算和计算机辅助干预国际会议（MICCAI）的卫星活动。该挑战由三个任务组成，这些任务与头颈癌（H&N）患者的PET/CT图像自动分析相关，重点是口咽区域。任务1是FDG-PET/CT图像中H&N原发性大体肿瘤体积（GTVt）的自动分割。任务2是根据相同FDG-PET/CT自动预测无进展生存期（PFS）。最后，任务3与任务2相同，并向参与者提供地面实况GTVt注释。这些数据来自六个中心，共325张图像，分为224个训练和101个测试案例。103支注册团队和448份结果提交的重要参与突出了对挑战的兴趣。最佳方法在第一个任务中获得了0.7591的骰子相似系数（DSC），在任务2和3中分别获得了0.7196和0.6978的一致性指数（C指数）。在所有任务中，发现方法的简单性是确保泛化性能的关键。任务2和任务3中PFS预测性能的比较表明，提供GTVt轮廓对于实现最佳结果并不重要，这表明可以使用全自动方法。这可能消除了对GTVt轮廓的需要，为包括数千名潜在受试者的可再现和大规模放射组学研究开辟了途径。
2022-02-17 cs.CV eess.IV
ONeRF: Unsupervised 3D Object Segmentation from Multiple Views
The Hong Kong University of Science and Technology（香港科技大学）；Kuaishou Technology（快手科技）；University of Oxford（牛津大学）
我们提出了ONeRF，一种方法，自动分割和重建对象实例在3D从多视图RGB图像，而无需任何额外的手动注释。分割的3D对象使用单独的神经辐射场（NeRF）来表示，其允许各种3D场景编辑和新颖的视图渲染。我们的方法的核心是一种使用迭代期望最大化算法的无监督方法，该算法有效地聚合了来自多视图的2D视觉特征和相应的3D线索，用于联合3D对象分割和重建。与只能处理简单对象的现有方法不同，我们的方法产生具有复杂形状，拓扑结构和外观的单个对象的分段全3D NeRF。分割的ONeRfs支持一系列3D场景编辑，例如对象变换、插入和删除。
2022-11-22 cs.CV
Automated segmentation of an intensity calibration phantom in clinical CT images using a convolutional neural network
Nara Institute of Science and Technology（奈良科学技术研究所）；Osaka University Graduate School of Medicine（大阪大学医学部研究生院）
目的：应用卷积神经网络（CNN）开发一种分割计算机断层扫描（CT）图像中强度校准体模区域的系统，并在大型队列中测试该系统以评估其鲁棒性。研究方法：本文共纳入了1040例病例（来自两个机构的各520例病例），其中使用了强度校准体模（B-MAS 200，Kyoto Kagaku，Kyoto，Japan）。通过手动分割40个病例（每个病例20个）的体模区域创建训练数据集。CNN模型的分割精度通过4重交叉验证用Dice系数和平均对称表面距离（ASD）评估。此外，在手动分割区域和自动分割区域之间比较放射密度值的绝对差异（Hounsfield单位：HU）。该系统在其余1 000个案例中进行了测试。对于每个机构，应用线性回归计算放射密度和体模密度之间的相关系数。结果如下：训练后，Dice系数中位数为0.977，ASD中位数为0.116 mm。当比较手动分割和自动分割之间的分割区域时，绝对差中位数为0.114 HU。对于测试用例，一个机构的中位相关系数为0.9998，另一个为0.9999，最小值为0.9863。结论：CNN模型成功地分割了CT图像中的校准体模区域，具有良好的精度，并且发现自动方法至少与传统的手动方法相当。未来的研究应该通过自动分割骨骼中的感兴趣区域来整合该系统，以便可以从CT图像中完全自动量化骨矿物质密度。
2020-12-21 cs.CV
Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review
Liverpool John Moores University（利物浦约翰摩尔斯大学）；Lancaster University（兰卡斯特大学）；Aravind Eye Hospital（阿拉温德眼科医院）；Slovak University of Technology（斯洛伐克理工大学）；Ulster University（阿尔斯特大学）
青光眼是全球范围内不可逆视力损害的主要原因，全球病例持续增加。早期发现至关重要，可以及时干预，防止进一步的视野丧失。为了检测青光眼，可以通过眼底成像进行视神经乳头检查，其中心是评估视杯和视盘边界。眼底成像是非侵入性和低成本的;然而，图像检查依赖于主观，耗时和昂贵的专家评估。一个及时的问题是，人工智能能否模仿专家做出的青光眼评估。即，人工智能可以自动找到视杯和视盘的边界（提供所谓的分割眼底图像），然后使用分割图像以高精度识别青光眼。我们对生成和使用分段眼底图像的人工智能启用的青光眼检测框架进行了全面审查。我们发现了28篇论文，并确定了两种主要方法：1）基于逻辑规则的框架，基于一组简单的决策规则; 2）基于机器学习/统计建模的框架。我们总结了这两种方法的最新进展，并强调了将人工智能青光眼检测框架转化为临床实践需要克服的关键障碍。
2022-04-12 cs.AI cs.CV
Automatic Tumor Segmentation via False Positive Reduction Network for Whole-Body Multi-Modal PET/CT Images
University of Sydney（悉尼大学）；Shanghai Jiao Tong University（上海交通大学）
多模态氟脱氧葡萄糖（FDG）正电子发射断层扫描/计算机断层扫描（PET/CT）已常规用于评估常见癌症，如肺癌、淋巴瘤和黑色素瘤。这主要归因于PET/CT结合了PET的肿瘤检测的高灵敏度和来自CT的解剖信息。在PET/CT图像评估中，自动肿瘤分割是重要的一步，近年来，基于深度学习的方法已成为最先进的方法。不幸的是，现有方法往往会过度分割肿瘤区域，包括正常高摄取器官，炎症和其他感染等区域。在这项研究中，我们引入了一个假阳性归约网络来克服这一限制。我们首先引入了一个自监督预训练的全局分割模块，使用自监督预训练的编码器粗略地描绘候选肿瘤区域。然后通过局部细化模块去除假阳性来细化候选肿瘤区域。我们使用MICCAI 2022全身FDG-PET/CT（AutoPET）挑战数据集中的自动病变分割进行的实验表明，我们的方法在初步测试数据中获得了0.9324的骰子分数，并在排行榜上排名第一。我们的方法也在最终测试数据中排名前7位，最终排名将在2022年MICCAI AutoPET研讨会上公布。我们的代码可在https://github.com/YigePeng/AutoPET_False_Positive_Reduction上获取。
2022-09-16 cs.CV cs.LG eess.IV
Automated segmentation of microtomography imaging of Egyptian mummies
University of Malta（马耳他大学）；European Synchrotron Radiation Facility（欧洲同步辐射装置）；Institute of Linguistics & Language Technology, University of Malta（马耳他大学语言学与语言技术研究所）
传播相位对比同步辐射显微断层扫描（PPC-SR $μ$ CT）是非侵入性和非破坏性进入考古遗迹内部结构的黄金标准。在此分析中，需要对虚拟样本进行分段以分离不同的部件或材料，这一过程通常需要相当大的人力。在显微断层成像自动分割（ASEMI）项目中，我们开发了一种工具来自动分割这些体积图像，使用手动分割的样本来调整和训练机器学习模型。对于一组四个古埃及动物木乃伊标本，与手动分割切片相比，我们实现了94-98%的总体准确率，接近使用深度学习的现成商业软件的结果（97-99%），复杂度低得多。对分段输出的定性分析表明，我们的结果在可用性方面与深度学习的结果接近，证明了这些技术的使用是合理的。
2021-12-16 cs.CV
Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and ensembled convolutional neural networks
Subtle Medical（深睿医疗）
背景资料：定量PET/CT分析的关键初始处理步骤是肿瘤病变的分割，从而实现准确的特征提取、肿瘤表征、肿瘤分期和基于图像的治疗反应评估。然而，手动病变分割与巨大的努力和成本相关联，因此在临床常规中是不可行的。目标：本研究的目的是报告深度神经网络的性能，该网络旨在自动分割AutoPET挑战背景下全身18F-FDG PET/CT图像中疑似癌症的区域。方法：开发了一种级联方法，其中3D UNET CNN的堆叠集合以固定的6 mm分辨率处理PET/CT图像。由残余层组成的细化网络将6 mm分割掩模增强到原始分辨率。结果：930例患者进行训练。50%是组织学证实的癌症患者，50%是健康对照。我们在84个分层测试用例上获得了骰子=0.68。手动和自动测量的代谢肿瘤体积（MTV）高度相关（R2 = 0.969，Slope = 0.947）。平均推理时间为89.7秒。结论：该算法能准确地分割出全身18F-FDG PET/CT图像中的可疑肿瘤区域。
2022-10-14 cs.CV cs.LG eess.IV
Automatic Quantification of Serial PET/CT Images for Pediatric Hodgkin Lymphoma Patients Using a Longitudinally-Aware Segmentation Network
University of Wisconsin（威斯康星大学）；University of Wisconsin Carbone Comprehensive Cancer Center（威斯康星大学卡本综合癌症中心）；Emory University School of Medicine（埃默里大学医学院）；Aflac Cancer and Blood Disorders Center（aflac癌症与血液疾病中心）；Roswell Park Comprehensive Cancer Center（罗斯威尔公园综合癌症中心）；University at Buffalo Jacobs School of Medicine and Biomedical Sciences（布法罗大学雅各布斯医学与生物医学科学学院）；Imaging and Radiation Oncology Core Rhode Island（罗德岛影像与放射肿瘤学核心机构）
本文提出纵向感知分割网络LAS-Net，通过跨时间点交叉注意力融合基线PET1特征以增强中期PET2残留病灶检测，实现对儿童霍奇金淋巴瘤系列PET/CT图像的自动量化，并在多项PET指标上与医生测量高度相关。
2024-10-01 cs.AI cs.CV physics.med-ph
Combining CNN and Hybrid Active Contours for Head and Neck Tumor Segmentation in CT and PET images
Nanjing University of Science and Technology（南京理工大学）；Nanjing University（南京大学）
头颈部肿瘤的自动分割在放射组学分析中起着重要的作用。在这篇简短的论文中，我们提出了一种基于卷积神经网络（CNN）和混合活动轮廓相结合的PET和CT图像头颈部肿瘤自动分割方法。具体来说，我们首先引入多通道3D U-Net来分割肿瘤与串联的PET和CT图像。然后，我们估计分割的不确定性模型集成和定义一个分割质量得分选择的情况下，具有高的不确定性。最后，我们开发了一个混合主动轮廓模型，以改善高不确定性的情况。我们的方法在MICCAI 2020 HECKTOR挑战赛中排名第二，平均Dice相似系数，精确度和召回率分别为0.752，0.838和0.717。
2020-12-28 cs.CV eess.IV
MRI-PET Registration with Automated Algorithm in Pre-clinical Studies
Heriot Watt University（赫瑞-瓦特大学）；Burgundy University（勃艮第大学）
磁共振成像（MRI）和正电子发射断层扫描（PET）自动3-D配准的实现和验证小动物图像体积，使高分辨率的解剖MRI信息可以与功能PET信息的低空间分辨率融合的定位病变，目前在肿瘤的癌症（肿瘤学）的研究和相应的药物制剂的高需求。虽然许多配准算法被开发并应用于人脑体积，但由于缺乏强度信息以及体素维度的高各向异性，这些方法在小动物数据集上可能不那么有效。因此，一个全自动的配准算法，它不仅可以注册可伸缩的刚性小动物体积，如大脑，但也可变形的器官，如肾脏，心脏和胸部的开发使用的组合的全球仿射和局部B样条变换模型，其中互信息作为一个相似性标准。全局仿射配准在3级图像体积上使用多分辨率金字塔，而在局部B样条配准中，多分辨率方案应用于2级B样条网格上的图像体积的最佳分辨率，其中仅变换本身而不是图像体积受到影响。由于互信息缺乏足够的空间信息，PCA被用来注入它通过估计初始的平移和旋转参数。它是计算效率，因为它是使用C++和ITK库实现的，并且定性和定量地表明，PCA初始化的全局配准，然后局部配准是在密切的协议与专家手动配准，并优于一个没有PCA初始化测试小动物的大脑和肾脏。
2017-05-23 cs.CV
Segmentation and Risk Score Prediction of Head and Neck Cancers in PET/CT Volumes with 3D U-Net and Cox Proportional Hazard Neural Networks
BC Cancer Research Institute（不列颠哥伦比亚癌症研究所）；University of British Columbia（不列颠哥伦比亚大学）；Simon Fraser University（西蒙弗雷泽大学）
我们使用了一个3D nnU-Net模型，该模型具有由挤压和激发（SE）归一化补充的残留层，用于从头颈部肿瘤分割挑战赛（HECKTOR）提供的PET/CT图像中进行肿瘤分割。我们提出的损失函数结合了统一的Fo-cal和Mumford-Shah损失，以利用分布，区域和基于边界的损失函数。在不同中心进行的留一交叉验证的结果显示，分割性能为0.82平均Dice评分（DSC）和3.16中位数Hausdorff距离（HD），我们在测试集上的结果达到0.77 DSC和3.01 HD。在病变分割之后，我们提出用MLP神经网络主干训练病例对照比例风险Cox模型来预测每个离散病变的风险评分。该危害风险预测模型（CoxCC）将在从分割的病变、患者和病变人口统计学中提取的许多PET/CT放射组学特征以及从多输入2D PET/CT卷积神经网络的倒数第二层提供的编码器特征上进行训练，该卷积神经网络的任务是预测每个病变的事件发生时间。10倍交叉验证的CoxCC模型在HECKTOR激发试验数据集上的c指数验证评分为0.89，c指数评分为0.61。
2022-02-16 cs.CV eess.IV physics.med-ph
An automatic multi-tissue human fetal brain segmentation benchmark using the Fetal Tissue Annotation Dataset
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；Lausanne University Hospital（洛桑大学医院）；University of Lausanne（洛桑大学）；Technical University of Munich（慕尼黑工业大学）；Brain Research Institute, University of Zurich（苏黎世大学脑研究所）；University of Debrecen（德布勒森大学）
为了充分了解正常胎儿和先天性疾病胎儿的神经发育，定量分析发育中的人类胎儿大脑至关重要。为了促进这种分析，需要自动多组织胎儿大脑分割算法，这又需要分割的胎儿大脑的开放数据库。在这里，我们介绍了一个公开可用的数据库的50个手动分割的病理性和非病理性胎儿磁共振脑体积重建在孕龄范围内（20至33周）到7个不同的组织类别（外部脑脊液，灰质，白质，脑室，小脑，深灰质，脑干/脊髓）。此外，我们定量评估了几种自动多组织分割算法的准确性的发展中的人胎脑。四个研究小组参加了，共提交了10个算法，证明了数据库对自动算法开发的好处。
2021-07-07 cs.CV eess.IV
A New Approach for Automatic Segmentation and Evaluation of Pigmentation Lesion by using Active Contour Model and Speeded Up Robust Features
Shiraz University of Medical Sciences（设拉子医科大学）；Shiraz University（设拉子大学）
数字图像处理技术在包括医学在内的各个科学领域有着广泛的应用。通过使用图像处理算法，医生在不同疾病的诊断中已经更加成功，并且已经实现了更好的治疗结果。在本文中，我们提出了一种自动分割皮肤病变和提取特征，与他们相关联的方法。在这个目标，加速鲁棒特征（SURF）和主动轮廓模型（ACM）的组合，使用。该方法首先从整幅皮肤图像中分割出皮肤病变区域，然后从分割出的区域中提取均值、方差、RGB和HSV参数等特征。比较分割结果，通过使用大津阈值，我们提出的方法，表明我们的程序的优越性大津阈值方法。皮肤病变的分割所提出的方法和大津阈值比较结果与医生的手动方法。提出的皮肤病变分割方法，这是一个组合的SURF和ACM，给出了最好的结果。对于我们的方法的实证评估，我们已经将其应用于20个不同的皮肤病变图像。所获得的结果证实了我们的方法的高性能，速度和准确性。
2021-01-18 cs.CV eess.IV
Automatic Segmentation of Retinal Vasculature
University of Auckland（奥克兰大学）
视网膜血管的分割是视网膜图像自动分析的关键步骤。本文提出了一种新的无监督自动视网膜血管分割方法。对比度增强和照明校正是通过一系列的图像处理步骤，然后是自适应直方图均衡化和各向异性扩散滤波。然后使用加权缩放将该图像转换为灰度级。通过提高细节曲波系数来增强血管边缘。在应用模糊C均值分类之前先去除视盘像素，以避免误分类。应用形态学运算和连通域分析获得分割的视网膜血管。使用DRIVE数据库评估所提出的方法的性能，以便能够与其他最先进的监督和无监督方法进行比较。该方法的整体分割准确率为95.18%，优于其他算法。
2017-07-19 cs.CV
Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks
ImViA Laboratory, University of Burgundy（勃艮第大学ImViA实验室）；CHU Dijon（第戎大学医院）；CGFL；Institut Curie（居里研究所）
在本文中，我们提出了一个新的深度学习框架，用于根据临床信息和延迟增强MRI（DE-MRI）自动评估心肌梗死。拟议框架涉及两项任务。第一个任务是从短轴DE-MRI系列中自动检测心肌轮廓、梗死区、无复流区和左心室腔。它采用两个分割神经网络。第一个网络用于分割解剖结构，如心肌和左心室腔。第二个网络用于分割心肌梗死、心肌无复流和正常心肌区域等病理区域。来自第一网络的分割的心肌区域进一步用于细化第二网络的病理分割结果。第二个任务是根据有或没有DE-MRI的临床信息将给定病例自动分类为正常或病理。一个级联的支持向量机（SVM）被用来分类一个给定的情况下，从其相关的临床信息。来自DE-MRI的分割的病理区域也用于分类任务。我们在2020年EMIDEC MICCAI挑战数据集上评估了我们的方法。左心室腔和心肌的平均Dice指数分别为0.93和0.84。仅使用临床信息的分类在五倍交叉验证中产生了80%的准确性。使用DE-MRI，我们的方法可以对病例进行分类，准确率为93.3%。实验结果表明，该方法可以自动评估心肌梗死。
2020-10-30 cs.CV eess.IV
Disarranged Zone Learning (DZL): An unsupervised and dynamic automatic stenosis recognition methodology based on coronary angiography
Fudan University（复旦大学）；Shanghai East Hospital, Tongji University（同济大学附属东方医院）；Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院）
我们提出了一种新的无监督方法命名为无序区域学习（DZL）自动识别冠状动脉造影狭窄。该方法首先将视频中的帧进行重排，然后生成有效区域，最后训练编码器-解码器GRU模型以学习恢复重排帧的能力。本研究的突破点是发现并验证了序列强度（恢复难度）是冠状动脉狭窄状态的一种度量。因此，DZL的预测准确性被用作冠状动脉狭窄指标的近似值。DZL是一种无监督的方法，不需要标签工程工作，DZL中的子GRU模型作为一种自监督方法工作。因此，DZL理论上可以利用无限大量的冠状动脉造影来学习和提高性能，而无需费力的数据标记。由于DZL动态地利用了整个视频，因此运行DZL不需要数据预处理，易于实现和推广，可以克服冠状动脉造影的数据异构性。对于这种纯方法，总体平均精确度得分达到0.93，AUC达到0.8。对于冠状动脉闭塞指标，最高分段平均精度评分为0.98，最高分段AUC为0.87。最后，我们开发了一个软件演示来实现DZL方法。
2021-10-03 cs.CV eess.IV
Automatic Skin Lesion Segmentation using Semi-supervised Learning Technique
VIT University（VIT大学）；SSN College of Engineering（SSN工程学院）
皮肤癌是所有癌症中最常见的，每年有数百万皮肤癌病例得到治疗。治疗和治愈皮肤癌是很容易的，如果它是在早期诊断和治疗。在这项工作中，我们提出了一种自动技术，皮肤镜图像中的皮肤病变分割，这有助于皮肤癌类型的分类。该方法包括两个主要阶段（1）预处理和（2）分割使用半监督学习算法。在预处理阶段，利用滤波技术去除噪声，在分割阶段，基于聚类技术分割皮肤病变。采用K均值聚类算法对预处理后的图像进行聚类，并根据颜色特征对聚类后的图像进行病灶过滤。使用RGB颜色空间中的直方图计算从训练图像学习皮肤病变的颜色。训练图像从ISIC 2017挑战网站下载，并使用验证和测试集评估实验结果。
2017-03-13 cs.CV
Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks
University of Kerbala（卡尔巴拉大学）
阿尔茨海默病（AD）是当今世界面临的最常见的公共卫生问题之一。这种疾病的患病率很高，主要发生在老年人中，伴有记忆力丧失和认知能力下降。AD检测是一项具有挑战性的任务，许多作者已经开发了许多利用神经成像和其他临床数据的计算机化自动诊断系统。MRI扫描提供了高强度的可见特征，使这些扫描成为最广泛使用的脑成像技术。近年来，深度学习在医学图像分析方面取得了领先的成功。但是，将深度学习技术应用于大脑MRI分类的研究相对较少。本文探讨了在大脑MRI图像和分割图像上评估的几种深度学习架构的构建。分割图像背后的思想研究了图像分割步骤对深度学习分类的影响。图像处理提供了一个由增强MRI扫描的预处理和由分割脑组织的分割方法组成的后处理组成的流水线。结果表明，处理后的图像在四种不同的架构中实现了AD与CN（认知正常）的二进制分类的更好的准确性。ResNet架构在其他架构中的预测准确率最高（原始大脑图像为90.83%，处理后的图像为93.50%）。
2022-03-31 cs.CV eess.IV physics.med-ph
Language-Enhanced Generative Modeling for Amyloid PET Synthesis from MRI and Blood Biomarkers
organization= Shanghai Artificial Intelligence Laboratory , city= Shanghai , postcode= 200082 , country= China；organization= School of Medicine, Xiamen University , city= Xiamen , state= Fujian , country= China；organization= Department of Nuclear Medicine \& PET Center, Huashan Hospital, Fudan University , city= Shanghai , country= China；organization= Department of Gerontology, Shanghai Jiao Tong University Affiliated Sixth People’s Hospital , city= Shanghai , country= China；organization= Department of Computer Science, Rutgers University , city= New Brunswick , state= New Jersey , country= United States；organization= Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences , city= Shenzhen , country= China
针对Abeta-PET成本高、可及性差的问题，提出LLM驱动的语言增强生成模型，利用MRI和血液生物标志物合成逼真的Abeta-PET，可有效提升阿尔茨海默病诊断性能。
2025-11-16 cs.CV
Automatic Recognition of Mammal Genera on Camera-Trap Images using Multi-Layer Robust Principal Component Analysis and Mixture Neural Networks
Universidad de Antioquia（安蒂奥基亚大学）
从相机陷阱图像中分割和分类动物是由于拍摄图像的条件，这是一项困难的任务。提出了一种从相机陷阱图像中分类和分割哺乳动物属的方法。我们的方法使用多层鲁棒主成分分析（RPCA）进行分割，使用卷积神经网络（CNN）提取特征，使用最小绝对收缩和选择运算符（LASSO）选择特征，使用人工神经网络（ANN）或支持向量机（SVM）对哥伦比亚森林中的哺乳动物属进行分类。我们评估了我们的方法与亚历山大冯洪堡生物资源研究所的相机陷阱图像。我们获得了92.65%的准确率分类8哺乳动物属和假阳性（FP）类，使用自动分割的图像。另一方面，我们达到了90.32%的准确率分类10哺乳动物属，仅使用地面实况图像。与以往的工作不同，我们在相机陷阱识别中遇到了动物分割和属分类问题。这种方法显示了一种新的方法，对一个全自动检测的动物从相机陷阱图像。
2017-05-08 cs.CV
AutoPET Challenge 2022: Step-by-Step Lesion Segmentation in Whole-body FDG-PET/CT
Shenzhen University（深圳大学）
肿瘤病变的自动分割是定量PET/CT分析的关键初始处理步骤。然而，具有不同形状、大小和摄取强度的许多肿瘤病变可能分布在整个身体的不同解剖学背景中，并且在健康器官中也存在显著的摄取。因此，建立一个系统的PET/CT肿瘤病灶分割模型是一个具有挑战性的任务。在本文中，我们提出了一种新的一步一步的三维分割方法来解决这个问题。我们在初步测试集上获得了0.92的Dice评分，0.89的假阳性体积和0.53的假阴性体积。https://github.com/rightl/autopet
2022-09-04 cs.CV eess.IV
Lymphoma segmentation from 3D PET-CT images using a deep evidential network
Université de technologie de Compiègne（贡比涅技术大学）；University of Rouen Normandy（鲁昂诺曼底大学）；Henri Becquerel Cancer Center（亨利·贝克勒尔癌症中心）；Institut universitaire de France（法国大学研究院）
提出了一种基于Dempster-Shafer理论和深度学习的自动证据分割方法，用于从三维正电子发射断层扫描（PET）和计算机断层扫描（CT）图像中分割淋巴瘤。该架构由一个深特征提取模块和一个证据层。特征提取模块使用编码器-解码器框架从3D输入提取语义特征向量。然后，证据层使用特征空间中的原型来计算每个体素处的置信函数，该置信函数量化关于在该位置处存在或不存在淋巴瘤的不确定性。两个证据层进行了比较，根据不同的方式使用距离计算质量函数的原型。整个模型通过最小化Dice损失函数进行端到端训练。深度特征提取和证据分割的组合被证明优于基线UNet模型以及其他三个国家的最先进的模型对173名患者的数据集。
2022-06-24 cs.CV
Post-Reconstruction Deconvolution of PET Images by Total Generalized Variation Regularization
正电子发射断层扫描（PET）图像受低分辨率和高噪声的影响，提高图像质量是核医学和放射治疗领域的一项具有挑战性的任务。这项工作提出了一种恢复方法，实现后断层重建的图像和针对临床情况下，原始数据往往是不可访问的。基于反问题方法，我们的贡献介绍了最近开发的总广义变分（TGV）范数正则化PET图像反卷积。此外，我们稳定这个过程与额外的图像约束，如积极性和光度不变性。给出了泊松噪声情况下正则化参数自动更新和调整的判据。在合成数据和真实患者图像上进行实验。
2015-06-16 cs.CV math.OC
A Comprehensive 3-D Framework for Automatic Quantification of Late Gadolinium Enhanced Cardiac Magnetic Resonance Images
National University of Singapore（新加坡国立大学）；National University Heart Centre（国立大学心脏中心）；National University Hospital（国立大学医院）
晚期钆增强（LGE）心脏磁共振（CMR）可以直接显示相对于正常心肌具有超增强强度的无活力心肌。对于心脏病发作患者，通过分析和量化他们的LGE CMR图像来促进适当治疗的决策至关重要。为了实现准确的量化，LGE CMR图像需要分两步处理：心肌分割，然后对分割的心肌内的梗死进行分类。然而，自动分割通常是困难的，由于心肌的强度异质性和梗死和血池之间的强度相似性。此外，LGE CMR数据集的切片经常遭受空间和强度失真，导致分割和分类的进一步困难。在本文中，我们提出了一个全面的3-D框架自动量化的LGE CMR图像。在这个框架中，心肌被分割与一种新的方法，变形耦合endoorthodontal和心外膜网格，并结合信息在短轴和长轴切片，而梗死分类与图形切割算法结合强度和空间信息。此外，空间和强度失真都可以通过专门设计的对策进行有效校正。使用20组真实患者数据进行的实验显示了视觉上良好的分割和分类结果，并且在定量上与专家手动获得的结果高度一致。
2022-05-21 cs.CV eess.IV physics.med-ph
Fully Automatic and Real-Time Catheter Segmentation in X-Ray Fluoroscopy
Erasmus MC（伊拉斯姆斯大学医学中心）；Philips Healthcare（飞利浦医疗保健）；Delft University of Technology（代尔夫特理工大学）
使用3D路线图增强X射线成像以改善引导是一种常见的策略。这种方法受益于X射线图像的自动分析，例如仪器的自动检测和跟踪。在本文中，我们提出了一种实时的【形】的方法来分割导管和导丝在二维X射线透视序列。该方法基于深度卷积神经网络。该网络将当前图像和前三幅图像作为输入，并在当前图像中分割导管和导丝。随后，从分割的图像构建导管的中心线模型。结合数据增强的一小组注释数据用于训练网络。我们在来自23种不同干预措施的182个X射线序列的图像上训练了该方法。在具有来自5个其他介入的55个X射线序列的图像的测试集上，获得的中值中心线距离误差为0.2 mm，中值尖端距离误差为0.9 mm。在2D X射线序列中的器械分割以实时的【形】全自动的方式执行。
2017-07-17 cs.CV
Automatic Lesion Detection System (ALDS) for Skin Cancer Classification Using SVM and Neural Classifiers
Pakistan Navy Engineering College (PNEC)（巴基斯坦海军工程学院）；National University of Sciences & Technology (NUST)（国家科技大学）；Electronics and Power Engineering (EPE)（电子与动力工程系）
如今，技术辅助平台几乎在每个领域都提供了可靠的工具。这些由计算能力支持的工具对于需要敏感和精确数据分析的应用程序非常重要。在医学领域中的一个这样的重要应用是用于皮肤癌分类的自动病变检测系统（ALDS）。计算机辅助诊断有助于医生和皮肤科医生获得第二意见，以正确分析和治疗皮肤癌。癌性痣及其周围区域的精确分割对于正确的分析和诊断至关重要。本文的重点是对改进的ALDS框架的基础上概率的方法，最初利用主动轮廓和分水岭合并掩模分割出的痣，后来SVM和神经分类器应用于分类的分割痣的发展。在病变分割之后，对所选择的特征进行分类以确定所考虑的病例是黑色素瘤还是非黑色素瘤。不同的数据集和比较分析的方法进行测试，反映了所提出的系统的有效性。
2020-03-13 cs.CV
Segmentation based tracking of cells in 2D+time microscopy images of macrophages
Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克理工大学）；CNRS（法国国家科学研究中心）；Univ. Montpellier（蒙彼利埃大学）
由于巨噬细胞动态变化的形状和运动，在巨噬细胞迁移期间对其进行自动分割和跟踪是一项具有挑战性的任务。本文提出了一种新的算法，以实现自动跟踪细胞的延时显微镜巨噬细胞数据。首先，我们设计了一个分割方法，采用空时滤波，局部大津阈值，SUBSURF（主观表面分割）方法。接着，在分割图像中提取在时间方向上重叠的细胞的部分轨迹。最后，通过考虑它们的运动方向来连接所提取的轨迹。分割图像和所获得的轨迹从所提出的方法进行了比较的半自动分割和手动跟踪。在具有挑战性的情况下，所提出的跟踪实现了巨噬细胞数据的97.4%的准确性，弱荧光强度，不规则形状和巨噬细胞的运动。我们期望自动提取的巨噬细胞的轨迹可以提供巨噬细胞如何根据其极化模式在情况下（例如在伤口愈合期间）迁移的证据。
2023-01-02 cs.CV eess.IV q-bio.CB
Segment anything model for head and neck tumor segmentation with CT, PET and MRI multi-modality images
Aarhus University（奥胡斯大学）；Aarhus University Hospital（奥胡斯大学医院）；Danish Center for Particle Therapy（丹麦粒子治疗中心）
本文研究SAM及MedSAM在头颈部肿瘤GTV分割中的应用，比较零样本与微调场景下单模态和多模态图像的性能，证明微调能显著提升分割精度，为半自动分割提供新途径。
2024-02-27 cs.CV physics.med-ph
Reliability of PET/CT shape and heterogeneity features in functional and morphological components of Non-Small Cell Lung Cancer tumors: a repeatability analysis in a prospective multi-center cohort
INSERM, UMR 1101, LaTIM, University of Brest, IBSAM（法国国家健康与医学研究院，UMR 1101，LaTIM，布雷斯特大学，IBSAM）；Academic department of nuclear Medicine, CHU Milétrie（米莱特里大学医院核医学科）；Memorial Sloan Kettering Cancer Center（纪念斯隆·凯特琳癌症中心）；Mallinckrodt Institute of Radiology and the Siteman Cancer Center, Washington University School of Medicine（华盛顿大学医学院马林克罗特放射学研究所及Siteman癌症中心）
目的：本研究的主要目的是评估PET/CT的正电子发射断层扫描（PET）和低剂量计算机断层扫描（CT）组成部分的形状和异质性特征的可靠性。一个次要目标是调查图像quantization.Material和方法的影响：一个健康保险便携性和责任法案符合二次分析的去识别前瞻性收购PET/CT测试重测数据集的74例多中心默克和ACRIN试验进行。采用模糊局部自适应贝叶斯算法在PET图像上自动勾画代谢活性体积。3DSlicerTM用于在低剂量CT组件上半自动描绘解剖体积。考虑了两种量化方法：量化成一组数量的bin（quantizationB）和具有固定宽度bin的替代量化（quantizationW）。四个形状描述符，10个一阶度量和26个纹理特征进行了计算。Bland-Altman分析用于量化重复性。随后将特征分类为非常可靠、可靠、中等可靠和相对于相应体积变异性不可靠。结果：重复性是高度可变的功能。许多指标被确定为不太可靠或中等可靠。其他人在两种模式和所有类别（形状，第一，第二和第三阶指标）中（非常）可靠。图像量化在特征重复性方面起着重要作用。在PET与quantizationB的功能更可靠，而quantizationW表现出更好的结果，在CT.Conclusion：重测重复性的形状和异质性功能在PET和低剂量CT之间的指标变化很大。可重复性的水平也很大程度上取决于量化步骤，对于每种模态都有…
2016-10-05 cs.CV physics.med-ph
Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images
Southern Medical University（南方医科大学）；LaTIM（拉蒂姆实验室）；INSERM（法国国家健康与医学研究院）；Univ Brest（布雷斯特大学）；Chinese Academy of Medical Sciences and Peking Union Medical College（中国医学科学院北京协和医学院）
头颈癌肿瘤和淋巴结的自动分割在优化治疗策略和预后分析中起着至关重要的作用。本研究旨在使用nnU-Net进行自动分割，并使用放射组学在多中心HNC队列中使用治疗前PET/CT图像进行无复发生存期（RFS）预测。HECKTOR 2022中提供了一个包含883例患者（524例患者用于培训，359例患者用于测试）的多中心HNC数据集。检索每例患者的扩展口咽区域的边界框，固定尺寸为224 x 224 x 224 $mm^{3}$。然后采用3D nnU-Net结构对原发肿瘤和淋巴结进行同步自动分割，在预测分割的基础上，提取每个患者的10个常规特征和346个标准化放射组学特征。构建了三个预后模型，仅包含常规和放射组学特征，以及它们通过多变量CoxPH建模的组合。探索了统计协调方法ComBat，以减少多中心变异。Dice评分和C指数分别用作分割和预后任务的评价指标。对于分割任务，我们通过3D nnU-Net实现了原发性肿瘤和淋巴结的平均骰子得分约为0.701。对于预后任务，常规和放射组学模型在测试集中分别获得了0.658和0.645的C指数，而组合模型没有改善预后性能，C指数为0.648。
2022-11-18 cs.CV cs.LG eess.IV
Deep PET/CT fusion with Dempster-Shafer theory for lymphoma segmentation
Institut universitaire de France（法国大学研究院）；CHB Hospital（CHB医院）；University of Rouen Normandy（鲁昂诺曼底大学）
从全身正电子发射断层扫描/计算机断层扫描（PET/CT）体积中检测和分割淋巴瘤对于手术适应症和放射治疗至关重要。设计能够有效利用PET和CT信息并解决其不确定性的自动分割方法仍然是一个挑战。在本文中，我们提出了一个淋巴瘤分割模型，使用UNet与证据PET/CT融合层。单模态体分别训练得到初始分割图，并提出了一个证据融合层，使用Dempster-Shafer理论（DST）融合两个证据。此外，提出了一种多任务损失函数：除了使用PET和CT分割的Dice损失之外，还添加了基于两个分割之间的一致性的损失函数来约束最终分割。我们评估了我们的建议，对淋巴瘤治疗患者的多中心PET/CT容积数据库，由专家划定。我们的方法得到准确的分割结果与骰子得分为0.726，没有任何用户交互。定量结果表明，我们的方法是优于国家的最先进的方法。
2021-08-11 cs.CV eess.IV
Evaluation of a Novel Approach for Automatic Volume Determination of Glioblastomas Based on Several Manual Expert Segmentations
Philipps-Universität Marburg（菲利普斯-马尔堡大学）
多形性胶质母细胞瘤是最常见的恶性原发性脑肿瘤，也是人类恶性程度最高的肿瘤之一。在疾病过程中，肿瘤体积的评估是临床随访的重要组成部分。然而，用于采集肿瘤体积的手动分割是一个耗时的过程。在本文中，一种新的方法自动分割和体积确定胶质母细胞瘤（多形性胶质母细胞瘤）的提出和评估。该方法使用一个用户定义的种子点内的神经胶质瘤建立一个有向的三维图形。图的节点是通过沿着穿过多面体的表面点发送的射线进行采样而获得的。在构建图形之后，计算最小s-t切割以将胶质母细胞瘤与背景分离。为了进行评价，12个磁共振成像（MRI）数据集由具有多年胶质瘤切除经验的神经外科医生逐层手动分割。然后，通过Dice相似系数（DSC）将人工分割结果与所提出的方法的结果进行了比较。为了更好地评估DSC结果，还将专家的手动分割进行了相互比较，并通过DSC进行了评价。此外，两周后，其中一名神经外科医生再次对12个数据集进行分段，以测量DSC的医生内偏差。
2011-03-08 cs.CV physics.med-ph q-bio.TO
Disentangled PET Lesion Segmentation
提出PET-Disentangler，一种3D解纠缠分割方法，通过解纠缠疾病与健康特征减少PET图像中健康高摄取区被误判为病灶的问题。
2024-11-04 cs.CV cs.LG eess.IV
