Transfer Learning from Partial Annotations for Whole Brain Segmentation
Imperial College London（帝国理工学院）
脑磁共振图像分割是神经影像学研究中的一个关键问题。它通常使用标准的计算工具进行，例如FSL，SPM，多图谱分割等，这些工具通常是基于配准的，并且具有昂贵的计算成本。最近，人们越来越关注使用深度神经网络进行大脑图像分割，这在速度和性能方面都表现出了优势。然而，基于神经网络的方法通常需要大量的手动注释来优化大量的网络参数。对于用于体积图像分割的3D网络，这已经成为一个特殊的挑战，因为3D网络与2D网络相比包含更多的参数。3D大脑图像的手动注释非常耗时，并且需要训练有素的专家的广泛参与。为了解决有限的手动注释的挑战，在这里，我们提出了一种新的多任务学习框架，用于大脑图像分割，它利用大量自动生成的部分注释以及一小部分手动创建的完整注释进行网络训练。我们的方法产生了高性能相媲美的国家的最先进的全脑分割的方法。
2019-08-28 cs.CV eess.IV
Towards fully automated deep-learning-based brain tumor segmentation: is brain extraction still necessary?
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Santa Luzia Hospital（圣卢西亚医院）
最先进的脑肿瘤分割基于应用于多模态MRI的深度学习模型。目前，这些模型是在预处理阶段之后在图像上训练的，预处理阶段包括配准、插值、大脑提取（BE，也称为头骨剥离）和专家手动校正。然而，对于临床实践，这最后一步是繁琐和耗时的，因此，并不总是可行的，导致颅骨剥离故障，可能会对肿瘤分割质量产生负面影响。尽管如此，这种影响的程度从来没有被衡量的任何许多不同的BE方法可用。在这项工作中，我们提出了一个自动脑肿瘤分割管道，并评估其性能与多种BE方法。我们的实验表明，BE方法的选择可以损害高达15.7%的肿瘤分割性能。此外，我们提出了在非颅骨剥离图像上训练和测试肿瘤分割模型，有效地从管道中丢弃BE步骤。我们的研究结果表明，这种方法导致在一小部分的时间有竞争力的性能。我们的结论是，与当前的范例相比，当需要在临床实践中获得高性能时，在非颅骨剥离图像上训练肿瘤分割模型可能是最佳选择。
2022-12-14 cs.CV eess.IV
Ensembled ResUnet for Anatomical Brain Barriers Segmentation
Tencent Jarvis Lab（腾讯Jarvis实验室）
脑结构的准确分割有助于胶质瘤的治疗和放射治疗计划的制定。然而，由于不同模态之间的视觉和解剖差异，准确分割大脑结构变得具有挑战性。为了解决这个问题，我们首先构建了一个基于残差块的U形网络，它具有深度编码器和浅层解码器，可以权衡框架性能和效率。然后，我们引入Tversky损失来解决不同的前景和背景类之间的类不平衡的问题。最后，利用模型集成策略去除离群值，进一步提高性能。
2021-01-04 cs.CV eess.IV
H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task
Research & Development Institute of Northwestern Polytechnical University in Shenzhen（西北工业大学深圳研究院）；Northwestern Polytechnical University（西北工业大学）；University of Pittsburgh（匹兹堡大学）；University of Sydney（悉尼大学）；JD Finance America Corporation（京东金融美国公司）
在本文中，我们提出了一种混合高分辨率和非局部特征网络（H2 NF-Net）分割多模态MR图像中的脑肿瘤。我们的H2 NF-Net使用单个和级联HNF-Net来分割不同的脑肿瘤子区域，并将预测组合在一起作为最终分割。我们在多模态脑肿瘤分割挑战（BraTS）2020数据集上训练和评估了我们的模型。测试集的结果显示，单个和级联模型的组合分别实现了增强肿瘤、整个肿瘤和肿瘤核心的平均Dice评分0.78751、0.91290和0.85461，以及Hausdorff距离（$95\%$）26.57525、4.18426和4.97162。我们的方法在近80名参与者中赢得了BraTS 2020挑战分割任务的第二名。
2020-12-30 cs.CV 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
Multiclass MRI Brain Tumor Segmentation using 3D Attention-based U-Net
Strathmore University（斯特拉斯莫尔大学）
提出一种3D注意力U-Net，利用多模态MRI堆叠体积进行脑肿瘤多区域分割，在BraTS 2021数据集上提升准确性并降低计算资源消耗。
2023-05-10 cs.CV eess.IV
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
Brain Tumor Segmentation Using Deep Learning by Type Specific Sorting of Images
Isfahan University of Technology（伊斯法罕理工大学）
最近，深度学习在计算机视觉领域发挥了重要作用。它的应用之一是减少人类在疾病诊断中的判断。特别是脑肿瘤的诊断需要高精度，微小的判断错误可能导致灾难。出于这个原因，脑肿瘤分割是医疗目的的一个重要挑战。目前存在几种用于肿瘤分割的方法，但它们都缺乏高精度。在这里，我们提出了一种使用深度学习进行脑肿瘤分割的解决方案。在这项工作中，我们研究了不同角度的大脑MR图像，并应用不同的网络进行分割。使用单独的网络分割的MR图像的效果进行评估，通过比较结果与一个单一的网络。网络的实验评估表明，Dice得分为0.73，实现了一个单一的网络和0.79，在获得多个网络。
2018-09-20 cs.CV eess.IV
Transfer Learning for Brain Tumor Segmentation
EURECOM（欧洲通信学院）；University of Brasília（巴西利亚大学）；Syrian-Lebanese Hospital（叙利亚-黎巴嫩医院）
神经胶质瘤是最常见的恶性脑肿瘤，可以通过放化疗和手术治疗。放射治疗师使用磁共振成像（MRI）手动分割脑部病变，并在整个治疗过程中观察其发展。手动图像分割过程非常耗时，并且结果往往因不同的人类评分员而异。因此，存在对产生各种脑组织类型的可靠且准确的分割的自动图像分割算法的实质性需求。深度学习的最新进展导致卷积神经网络架构在各种视觉识别任务中表现出色。它们已成功地应用于医学背景，包括医学图像分割。特别是，全卷积网络（FCN），如U-Net，在脑肿瘤的自动分割中产生了最先进的结果。MRI脑部扫描是体积扫描，并且存在于各种共同配准的模态中，这些模态用作这些FCN架构的输入通道。在这种复杂的输入上训练用于脑肿瘤分割的算法需要大量的计算资源，并且易于过拟合。在这项工作中，我们用预训练的卷积编码器构建了FCNs。我们表明，我们可以通过这种方式稳定训练过程，并在骰子分数和Hausdorff距离方面取得改进。我们还在私人获得的临床数据集上测试了我们的方法。
2020-11-26 cs.CV eess.IV
Improving Across-Dataset Brain Tissue Segmentation Using Transformer
Columbia University（哥伦比亚大学）；Mortimer B. Zuckerman Mind Brain Behavior Institute（Mortimer B. Zuckerman 心智与脑行为研究所）
脑组织分割在通过基于体素的形态学量化MRI数据和突出与脑内各种状况相关的细微结构变化方面具有很大的实用性。然而，手动分割是高度劳动密集型的，并且由于MRI采集的固有属性，自动化方法一直在努力，因此非常需要有效的分割工具。尽管最近深度卷积神经网络（CNN）在脑组织分割方面取得了成功，但许多此类解决方案并不能很好地推广到新的数据集，这对于可靠的解决方案至关重要。Transformers已经在自然图像分割中取得了成功，并且最近已被应用于3D医学图像分割任务，因为它们能够在CNN的局部感受野挣扎的输入中捕获长距离关系。这项研究介绍了一种新的CNN-Transformer混合架构，设计用于脑组织分割。我们在四个多站点T1 w MRI数据集上验证了我们模型的性能，这些数据集涵盖了不同的供应商、场强、扫描参数、时间点和神经精神疾病。在所有情况下，我们的模型实现了最大的通用性和可靠性。Out方法具有固有的鲁棒性，可以作为脑相关T1 w MRI研究的有价值的工具。TABS网络的代码可在https://github.com/raovish6/TABS上获得。
2023-01-31 cs.CV eess.IV
JoB-VS: Joint Brain-Vessel Segmentation in TOF-MRA Images
Universidad de los Andes（安第斯大学）；EURECOM（欧洲通信研究院）
本文提出首个端到端脑与血管联合分割框架JoB-VS，通过晶格架构和对抗样本增强，在OASIS-3上取得70.03%平均AP和69.09% F1-score，并可泛化至IXI数据集。
2023-04-16 cs.CV eess.IV
On Enhancing Brain Tumor Segmentation Across Diverse Populations with Convolutional Neural Networks
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对跨人群脑肿瘤自动分割问题，以MedNeXt为基线并结合模型集成与后处理，在BraTS-GoAT挑战中取得平均DSC 85.54%和HD95 27.88的结果。
2024-05-05 cs.CV eess.IV
Automatic brain tissue segmentation in fetal MRI using convolutional neural networks
University Medical Center Utrecht（乌得勒支大学医学中心）；Wilhelmina Children’s Hospital（威廉明娜儿童医院）；Utrecht University（乌得勒支大学）
胎儿的磁共振图像使临床医生能够在发育的早期阶段发现大脑异常。胎儿MRI中体积和形态分析的基础是将胎儿脑分割成不同的组织类别。手动分割是繁琐和耗时的，因此自动分割可以大大简化程序。然而，这些扫描中的自动脑组织分割是具有挑战性的，这是由于包括强度不均匀性的伪影，特别是由扫描期间的自发胎动引起的。与估计偏置场以去除强度不均匀性作为分割预处理步骤的方法不同，我们建议使用卷积神经网络进行分割，该卷积神经网络利用具有综合引入的强度不均匀性的图像作为数据增强。该方法首先使用CNN来提取颅内体积。然后，采用另一个具有相同结构的CNN将提取的体积分割成七个脑组织类别：小脑、基底节和丘脑、脑室脑脊液、白质、脑干、皮质灰质和脑外脑脊液。为了使该方法适用于显示强度不均匀性伪影的切片，通过将具有随机偏移和方向的线性梯度的组合应用于没有伪影的图像切片来增强训练数据。
2019-06-11 cs.CV eess.IV
TBraTS: Trusted Brain Tumor Segmentation
Sichuan University（四川大学）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）
尽管最近脑肿瘤分割的准确性有所提高，但结果仍然表现出较低的置信度和鲁棒性。不确定性估计是改变这种情况的一种有效方法，因为它提供了分割结果的置信度。在本文中，我们提出了一个可信的脑肿瘤分割网络，可以产生强大的分割结果和可靠的不确定性估计，而无需过多的计算负担和修改的主干网。在我们的方法中，不确定性是使用主观逻辑理论明确建模的，该理论通过将分割的类概率参数化为Dirichlet分布，将骨干神经网络的预测视为主观意见。同时，可信分割框架学习从导致最终分割结果的特征中收集可靠证据的函数。总的来说，我们统一的可信分割框架赋予模型可靠性和鲁棒性，以分布外的样本。为了评估我们的模型在鲁棒性和可靠性方面的有效性，在BraTS 2019数据集上进行了定性和定量实验。
2022-07-28 cs.CV eess.IV
Segmentation of 2D Brain MR Images
Indian Institute of Technology (IIT), Varanasi (BHU)（印度理工学院（贝拿勒斯印度教大学））；National Institute of Technology (NIT), Tiruchirappalli（国立理工学院蒂鲁奇拉帕利分校）
脑肿瘤分割是医学图像处理中的一项重要任务。脑肿瘤的早期诊断在改善治疗可能性和提高患者生存率方面发挥着至关重要的作用。从大量MRI图像中手动分割脑肿瘤用于癌症诊断是一项困难且耗时的任务。需要对脑肿瘤图像进行自动分割。本课题的目的是提供一种脑肿瘤MRI图像的自动分割方法，以帮助准确、快速地定位肿瘤。
2021-11-05 cs.CV cs.LG eess.IV
Brain Tumor Segmentation by Cascaded Deep Neural Networks Using Multiple Image Scales
Isfahan University of Technology（伊斯法罕理工大学）
颅内肿瘤是通常不受控制地生长的细胞群。四分之一的癌症死亡是由于脑肿瘤。脑肿瘤的早期检测和评估是通过磁共振成像（MRI）进行的重要预防性医疗步骤。为此目的，存在许多分割技术。分割精度低是现有方法的主要缺点。在本文中，我们使用深度学习方法来提高MR图像中肿瘤分割的准确性。级联方法用于多尺度图像，以诱导局部和全局视图，并帮助网络达到更高的精度。我们的实验结果表明，使用多尺度和利用两个级联网络是有利的。
2020-02-05 cs.CV eess.IV
CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI
Imperial College London（伦敦帝国学院）；King’s College London（伦敦国王学院）；FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Technical University of Munich（慕尼黑工业大学）
胎儿磁共振成像（MRI）用于产前诊断和评估早期大脑发育。不同脑组织的精确分割是几个脑分析任务中的重要步骤，例如皮层表面重建和组织厚度测量。然而，胎儿MRI扫描容易出现运动伪影，这会影响手动和自动分割技术的正确性。在本文中，我们提出了一种新的网络结构，可以同时生成条件图谱和预测脑组织分割，称为CAS-Net。条件图谱提供了解剖先验，可以约束分割连接，尽管强度值的异质性所造成的运动或部分体积效应。所提出的方法进行了培训和评估的253名受试者从开发人类连接组计划（dHCP）。实验结果表明，该方法可以生成边界清晰、形状变化小的条件性年龄图谱。它还分割了胎儿MRI的多类别脑组织，对于选定的9个组织标签，具有高的整体Dice相似系数（DSC）$85.2\%$。
2022-05-17 cs.CV eess.IV
Context Aware 3D UNet for Brain Tumor Segmentation
Huazhong University of Science and Technology（华中科技大学）；Shenzhen University（深圳大学）
深度卷积神经网络（CNN）在医学图像分析中取得了显著的性能。UNet是3D CNN架构用于医学成像任务（包括脑肿瘤分割）的主要性能来源。UNet架构中的跳过连接将来自编码器和解码器路径的特征连接起来，以从图像数据中提取多上下文信息。多尺度特征在脑肿瘤分割中起着至关重要的作用。然而，功能的有限使用可以降低分割的UNet方法的性能。在本文中，我们提出了一种改进的UNet架构的脑肿瘤分割。在所提出的架构中，我们使用密集连接的块在编码器和解码器的路径，以提取多上下文信息的概念，功能可重用性。此外，剩余的初始块（RIB）被用来提取本地和全局信息，通过合并不同的内核大小的功能。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。肿瘤整体、肿瘤核心和增强肿瘤的DSC评分分别为89.12%、84.74%和79.12%。
2020-11-27 cs.CV eess.IV
Domain generalization in fetal brain MRI segmentation \\with multi-reconstruction augmentation
Lausanne University Hospital (CHUV)（洛桑大学医院（CHUV））；University of Lausanne (UNIL)（洛桑大学（UNIL））；CIBM Center for Biomedical Imaging（CIBM生物医学成像中心）
针对胎儿脑MRI标注数据稀缺、队列变异有限的问题，本文提出利用SR重建以不同参数生成同一受试者的多重重建，作为免调参数据增强策略，提升分割模型跨SR流程的域泛化能力。
2022-11-25 cs.CV eess.IV
Whole Brain Segmentation with Full Volume Neural Network
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Microsoft Research Asia（微软亚洲研究院）；Vacaville Christian Schools（瓦卡维尔基督教学校）；Tsinghua University（清华大学）；Microsoft Research（微软研究院）；High School Affiliated to Renmin University Of China（中国人民大学附属中学）；Beihang University（北京航空航天大学）
全脑分割是一项重要的神经成像任务，它将整个脑体积分割成解剖标记的感兴趣区域。卷积神经网络在这项任务中表现出良好的性能。现有的解决方案，通常分割脑图像的体素分类，或标记切片或子体积分开。它们的表示学习是基于整个体积的部分，而它们的标记结果是由部分分割的聚合产生的。不完全信息的学习和推理可能导致次优的最终分割结果。为了解决这些问题，我们建议采用全体积框架，该框架将全体积脑图像馈送到分割网络中，并直接输出整个脑体积的分割结果。该框架利用了每卷中的完整信息，可以很容易地实施。最后给出了该框架下的一个有效实例。我们采用$3$ D高分辨率网络（HRNet）学习空间细粒度表示和混合精度训练计划的内存效率的培训。在公开的$3$ D MRI脑数据集上的大量实验结果表明，我们提出的模型在分割性能方面优于最先进的方法。源代码可在https://github.com/microsoft/VoxHRNet上公开获取。
2021-10-29 cs.CV eess.IV
Robust Brain Magnetic Resonance Image Segmentation for Hydrocephalus Patients: Hard and Soft Attention
Shanghai Jiao Tong University（上海交通大学）
脑积水患者的脑磁共振（MR）分割被认为是一项具有挑战性的工作。对不同个体大脑解剖结构的差异进行编码并不容易。任务变得更加困难，特别是当考虑来自脑积水患者的图像数据时，其通常具有大的变形并且与正常受试者显著不同。在这里，我们提出了一种新的策略，硬和软注意力模块来解决脑积水MR图像的分割问题。本文的主要贡献有三个方面：1）硬注意模块采用基于多图谱的方法和VoxelMorph工具生成粗分割图，指导后续的分割过程，提高了分割的鲁棒性; 2）软注意模块引入位置注意，捕捉精确的上下文信息，进一步提高了分割的准确性; 3）通过对脑积水患者的MRI图像进行分割，对脑积水患者的MRI图像进行定量分析，得到了脑积水患者的MRI图像，并对脑积水患者的MRI图像进行了定量分析。所提出的方法实现了更高的鲁棒性和准确性分割所有17个意识相关的ROI与高变化的不同主题。据我们所知，这是第一个采用深度学习来解决脑积水患者大脑分割问题的工作。
2020-01-12 cs.CV eess.IV
Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation
ETS Montreal（蒙特利尔高等工程技术学院）
大脑皮层几何形状的变化给其分析带来了许多挑战。最近的发展已经使得能够通过对皮层数据的图形卷积来直接跨多个大脑表面学习表面数据。然而，当大脑表面数据在受试者之间不一致时，当前的图形学习算法确实会失败，从而影响他们处理来自多个领域的数据的能力。对抗性训练被广泛用于领域自适应，以提高跨领域的分割性能。在本文中，对抗训练被用来学习不一致的图形对齐的表面数据。这种新颖的方法包括一个分割器，它使用一组图形卷积层来实现直接跨源域中的大脑表面的分组，以及一个预测器，它从分割中预测图形域。更准确地说，所提出的对抗网络学习在源域和目标域之间推广一个包裹。我们证明，与应用于从MindBoggle（最大的公开手动标记的大脑表面数据集）提取的多个目标域的非对抗性训练策略相比，性能平均提高了8%。
2020-03-31 cs.CV eess.IV
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 Atlas Guided Attention U-Net for White Matter Hyperintensity Segmentation
The Ohio State University（俄亥俄州立大学）；Tencent（腾讯）
脑白质高信号（WMH）是脑小血管病（cSVD）最常见的MRI表现。准确的WMH分割算法对于确定cSVD负担及其临床后果非常重要。大多数现有的WMH分割算法需要流体衰减反转恢复（FLAIR）图像和T1加权图像作为输入。然而，T1加权图像通常不是急性卒中患者标准临床扫描的一部分。在本文中，我们提出了一种新的大脑图谱引导注意力的U-Net（BAGAU-Net），它只利用FLAIR图像与空间注册的白质（WM）大脑图谱，以产生有竞争力的WMH分割性能。具体来说，我们设计了一个双路径分割模型，两个新的连接机制，即多输入注意模块（MAM）和注意力融合模块（AFM），融合的信息，从两个路径的准确结果。在两个公开数据集上的实验表明了BAGAU-Net的有效性。仅使用FLAIR图像和WM脑图谱，BAGAU-Net在T1加权图像方面优于最先进的方法，为有效开发WMH分割铺平了道路。可用性：https://github.com/Ericzhang1/BAGAU-Net
2020-12-22 cs.CV eess.IV
MouseGAN++: Unsupervised Disentanglement and Contrastive Representation for Multiple MRI Modalities Synthesis and Structural Segmentation of Mouse Brain
Fudan University（复旦大学）
在磁共振（MR）图像上分割小鼠大脑的精细结构对于描绘形态区域、分析大脑功能以及理解它们之间的关系至关重要。与单一MRI模态相比，多模态MRI数据提供了可由深度学习模型利用的互补组织特征，从而获得更好的分割结果。然而，多模态小鼠大脑MRI数据往往是缺乏的，使得小鼠大脑精细结构的自动分割是一个非常具有挑战性的任务。为了解决这个问题，有必要融合多模态MRI数据，以在不同的大脑结构中产生不同的对比。因此，我们提出了一种新的基于GAN的分解和对比框架，名为MouseGAN++，以结构保留的方式从单个MR模态合成多个MR模态，从而通过输入缺失模态和多模态融合来提高分割性能。我们的结果表明，我们的方法的翻译性能优于国家的最先进的方法。使用随后学习的模态不变信息以及模态转换图像，MouseGAN++可以分割精细的大脑结构，平均骰子系数分别为90.0%（T2w）和87.9%（T1w），与最先进的算法相比，性能提高了约10%。我们的研究结果表明，MouseGAN++作为一种同时进行图像合成和分割的方法，可以用于以不成对的方式融合跨模态信息，并在没有多模态数据的情况下产生更强大的性能。我们将我们的方法作为一个小鼠大脑结构分割工具发布，供免费学术使用。https://github.com/yu02019
2022-12-04 cs.CV eess.IV
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation
Shanghai United Imaging Intelligence Co., Ltd.（上海联影智能医疗科技有限公司）；Shanghai Clinical Research and Trial Center（上海临床研究与试验中心）
本文提出知识引导提示学习框架KGPL，通过大规模次优标签预训练和图像-文本对齐知识嵌入，提升全生命周期脑MR图像分割性能，在组织和结构分割上分别达到95.17%和94.19%的平均DSC。
2024-07-31 cs.CV eess.IV
Multi-step Cascaded Networks for Brain Tumor Segmentation
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
脑肿瘤自动分割方法在脑肿瘤诊断和治疗的整个过程中起着极其重要的作用。本文提出了一种多步级联网络，该网络考虑了脑肿瘤子结构的层次拓扑结构，对脑肿瘤子结构进行由粗到细的分割，在分割过程中，前一步的结果作为下一步的先验信息，指导下一步的精细分割过程。整个网络以端到端的方式进行训练。此外，为了缓解梯度消失问题并减少过拟合，我们为每一步添加了几个辅助输出作为一种深度监督，并分别引入了几种数据增强策略，这些策略被证明对脑肿瘤分割非常有效。最后，利用焦点损失来解决肿瘤区域和背景的显著不平衡问题。在BraTS 2019验证数据集上对模型进行了检验，肿瘤整体、肿瘤核心和增强肿瘤的平均骰子系数的初步结果分别为0.886、0.813、0.771。代码可在https://github.com/JohnleeHIT/Brats2019上获得
2019-09-25 cs.CV eess.IV
Multimodal Volume-Aware Detection and Segmentation for Brain Metastases Radiosurgery
Massachusetts General Hospital（麻省总医院）；Massachusetts Institute of Technology（麻省理工学院）；National Taiwan University Hospital（台湾大学医院）；Vysioneer Inc.（Vysioneer公司）
立体定向放射外科（SRS），在一个单一或几个镜头提供高剂量的辐射到小目标，一直是一个标准的治疗脑转移瘤。虽然非常有效，但SRS目前需要手动密集描绘肿瘤。在这项工作中，我们提出了一种使用多模态成像和集成神经网络自动检测和分割脑转移瘤的深度学习方法。为了解决小的和多个脑转移瘤，我们进一步提出了一个体积感知的骰子损失，优化模型的性能使用病变大小的信息。这项工作超过了目前的基准水平，并证明了一个可靠的AI辅助系统，用于多个脑转移瘤的SRS治疗计划。
2019-08-15 cs.CV eess.IV
DMCIE: Diffusion Model with Concatenation of Inputs and Errors to Improve the Accuracy of the Segmentation of Brain Tumors in MRI Images
School of Computing, DePaul University（计算学院，德保罗大学）
本研究提出DMCIE框架，将3D U-Net生成的误差图与多模态MRI图像拼接引导扩散模型，聚焦误分类区域提升脑肿瘤分割精度，在BraTS2020数据集上表现优于现有扩散基分割方法。
2025-07-29 cs.CV eess.IV
3D Deep Affine-Invariant Shape Learning for Brain MR Image Segmentation
The Hong Kong University of Science and Technology（香港科技大学）
医学图像分割技术的最新进展取得了令人瞩目的成果。然而，大多数广泛使用的方法不考虑任何先验知识的形状被分割的生物医学结构。最近，一些作品已经提出了方法，将形状信息。然而，他们中的许多人确实向分割网络引入了更多的参数来学习任何分割网络都能够学习的一般特征，而不是特定的形状特征。在本文中，我们提出了一种新的方法，无缝集成到分割网络的形状信息。人脑MRI分割实验表明，我们的方法可以实现更低的Hausdorff距离和更高的Dice系数比国家的最先进的方法。
2019-09-17 cs.CV eess.IV
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
A Fast, Semi-Automatic Brain Structure Segmentation Algorithm for Magnetic Resonance Imaging
University of Missouri（密苏里大学）
医学图像分割已成为临床和科研应用中的一项重要技术。由于人工分割方法繁琐，而全自动分割又缺乏人为干预或校正的灵活性，半自动方法成为医学图像分割的首选类型。我们提出了一种混合，半自动分割方法在3D中，集成了基于区域和基于边界的程序。我们的方法不同于以前的混合方法，因为我们分别执行基于区域和基于边界的方法，这允许更有效的分割。一个基于区域的技术被用来生成一个初始的种子轮廓，粗略地表示一个目标的大脑结构的边界，减轻在随后的模型变形阶段的局部极小值问题。该轮廓在独立于图像边缘的唯一力方程下变形。在MRI数据上的实验表明，该方法可以达到很高的精度和效率，主要是由于独特的种子初始化技术。
2019-04-21 cs.CV eess.IV
Uncertainty Evaluation Metric for Brain Tumour Segmentation
McGill University（麦吉尔大学）；University of Oxford（牛津大学）
在本文中，我们开发了一种度量标准，旨在评估和排名BraTS 2019不确定性量化子挑战中脑肿瘤子组织分割任务的不确定性度量。该指标旨在：（1）奖励不确定性度量，其中高置信度被分配给正确的断言，而不正确的断言被分配低置信度，以及（2）惩罚具有较高百分比的不自信正确断言的度量。在这里，基于在BraTS 2019数据集上评估的许多流行的不确定性度量，探索了该度量的组成部分的工作原理。
2020-05-28 cs.CV eess.IV
Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy
Shahid Beheshti University（贝赫什提大学）
本研究提出在卷积神经网络中结合MSVD算法对脑部MRI图像降噪以改善脑肿瘤分割，结果显示准确率提升2.4%且加快了收敛速度。
2024-01-04 cs.CV eess.IV
Synthetic magnetic resonance images for domain adaptation: Application to fetal brain tissue segmentation
Lausanne University Hospital (CHUV)（洛桑大学医院（CHUV））；University of Lausanne (UNIL)（洛桑大学（UNIL））；CIBM Center for Biomedical Imaging（CIBM生物医学成像中心）；University Children’s Hospital Zurich（苏黎世大学儿童医院）；University of Zurich（苏黎世大学）；Neuroscience Center Zurich（苏黎世神经科学中心）
本文利用 FaBiAN 数值体模生成带标签的逼真胎儿脑 MRI，并结合目标超分辨率重建，实现深度学习分割模型的域适应，显著提升七种胎儿脑组织的分割精度。
2021-11-08 cs.CV eess.IV
ReFuSeg: Regularized Multi-Modal Fusion for Precise Brain Tumour Segmentation
Manipal Institute of Technology（马尼帕尔理工学院）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）
针对脑肿瘤分割中MRI模态缺失导致的可靠性问题，提出带正则化模块的多模态分割方法ReFuSeg，利用四种模态信息且对模态缺失等场景鲁棒，保障分割精度与可靠性。
2023-08-26 cs.CV eess.IV
Automated Atlas-based Segmentation of Single Coronal Mouse Brain Slices using Linear 2D-2D Registration
CEA, Fundamental Research Division (DRF), Institute Jacob, Molecular Imaging Research Center (MIRCen)（法国原子能与可替代能源委员会（CEA）基础研究部雅各布研究所分子影像研究中心（MIRCen））；WITSEE（WITSEE 公司）
脑组织学数据分析的一个重大挑战是精确识别解剖区域，以便进行准确的局部定量和评估治疗方案。通常，这个任务是手动执行的，因此变得乏味和主观。另一种选择是使用自动或半自动方法，其中分割使用数字地图集配准。然而，大多数可用的图谱是3D的，而数字化的组织学数据是2D的。需要从图谱执行这种2D-3D分割的方法。本文提出了一种策略，自动和准确的分割单二维冠状切片内的三维体积的图集，使用线性配准。我们使用全脑规模的探索性方法验证了其鲁棒性和性能。
2021-11-16 cs.CV eess.IV
Automatic Brain Tumor Segmentation with Scale Attention Network
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
脑肿瘤的自动分割是提取定量成像生物标志物以进行准确肿瘤检测、诊断、预后、治疗计划和评估的重要但具有挑战性的步骤。多模态脑肿瘤分割挑战2020（BraTS 2020）提供了一个通用平台，用于比较多参数磁共振成像（mpMRI）在以下任务中的不同自动算法：1）脑肿瘤分割MRI扫描; 2）根据术前MRI扫描预测患者总生存期（OS）; 3）将真实肿瘤复发与治疗相关效应区分开，以及4）评估分割中的不确定性测量。我们通过开发基于编码器-解码器架构的全自动分割网络来参与图像分割挑战。为了更好地整合不同尺度的信息，我们提出了一种动态尺度注意机制，该机制将不同尺度的特征图的低级细节与高级语义相结合。我们的框架使用BraTS 2020提供的369个挑战训练案例进行训练，并实现了平均Dice相似系数（DSC）为0.8828，0.8433和0.8177，以及95%的Hausdorff距离在166个测试病例中，全肿瘤、肿瘤核心和增强肿瘤的平均直径（毫米）分别为5.2176、17.9697和13.4298，在BraTS 2020挑战赛的693个注册中排名第三。
2020-11-25 cs.CV eess.IV
ACEnet: Anatomical Context-Encoding Network for Neuroanatomy Segmentation
University of Pennsylvania（宾夕法尼亚大学）
从磁共振（MR）扫描中分割脑结构在脑形态学的量化中起着重要的作用。由于3D深度学习模型的计算成本很高，因此2D深度学习方法因其计算效率而受到青睐。然而，现有的2D深度学习方法无法有效地捕获实现准确的大脑结构分割所需的3D空间上下文信息。为了克服这一限制，我们开发了一种解剖上下文编码网络（ACEnet），将3D空间和解剖上下文纳入2D卷积神经网络（CNN），以有效准确地分割MR扫描的大脑结构，包括：1）解剖背景编码模块，用于将解剖信息合并到2D CNN中，以及2）空间上下文编码模块，用于将3D图像信息集成到2D CNN中。此外，采用颅骨剥离模块来引导2D CNN关注大脑。在三个基准数据集上进行的大量实验表明，与最先进的脑结构分割方法相比，我们的方法在计算效率和分割精度方面都取得了令人满意的性能。
2021-01-02 cs.CV eess.IV
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
Deformation-Aware Segmentation Network Robust to Motion Artifacts for Brain Tissue Segmentation using Disentanglement Learning
Yonsei University（延世大学）；Sejong University（世宗大学）；Korea Brain Research Institute（韩国脑研究院）
本文提出结合解耦学习、运动估计与分割的形变感知框架，通过运动形变图引导伪影去除，显著提升受运动伪影影响的脑组织MRI分割性能。
2024-12-05 cs.CV eess.IV
ASC: Appearance and Structure Consistency for Unsupervised Domain Adaptation in Fetal Brain MRI Segmentation
Shenzhen Research Institute of Big Data（深圳大数据研究院）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
提出名为ASC的无监督域适应框架，通过基于频率的图像外观交换和结构扰动下的预测一致性，将胎儿脑图谱分割标签适应到未标记MRI数据，在FeTA 2021基准上优于现有方法。
2023-10-22 cs.CV eess.IV
Redundancy Reduction in Semantic Segmentation of 3D Brain Tumor MRIs
NVIDIA（英伟达）
2021年的多模式脑肿瘤分割挑战（BraTS）提供了更大的数据集，以促进脑肿瘤分割方法的合作和研究，这是疾病分析和治疗计划所必需的。BraTS 2021的大数据集大小和现代GPU的出现为基于深度学习的方法从数据中学习肿瘤表示提供了更好的机会。在这项工作中，我们维护了一个基于编码器-解码器的分割网络，但重点是修改网络训练过程，以最大限度地减少扰动下的冗余。给定一组训练好的网络，我们进一步引入基于置信度的集成技术来进一步提高性能。我们在BraTS 2021验证板上对该方法进行了评估，增强肿瘤核心、肿瘤核心和整个肿瘤的平均dice分别为0.8600、0.8868和0.9265。我们的团队（NVESTs）提交的ET和TC分数表现最好，WT分数表现最好的10个团队之一。
2021-11-01 cs.CV eess.IV
A Foundation Model for Brain Lesion Segmentation with Mixture of Modality Experts
Imperial College London（帝国理工学院）；UK Dementia Research Institute（英国痴呆症研究所）；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）
提出一种基于模态专家混合的通用脑病变分割基础模型，通过分层门控和课程学习实现多模态多病变类型的自动分割，在九个数据集上优于现有通用模型。
2024-07-16 cs.CV eess.IV
Region-based U-net for accelerated training and enhanced precision in deep brain segmentation
University of Iceland（冰岛大学）；University of Cologne（科隆大学）；University Hospital Cologne（科隆大学医院）
本文提出一种利用多个基于区域的 U-Nets 对 12 个深部脑结构进行 MRI 分割的方法，通过将大脑划分为三个感兴趣区域并行分割，在减少训练和处理时间的同时显著提高了分割精度与鲁棒性。
2024-03-14 cs.CV eess.IV
Brain MR Image Segmentation in Small Dataset with Adversarial Defense and Task Reorganization
医学图像分割是一项具有挑战性的工作，尤其是在处理小数据集的三维MR图像时。对个体脑解剖结构的变异进行编码是不容易实现的，这进一步受到只有有限数量的良好标记的受试者用于训练的挑战。在这项研究中，我们的目标是解决问题的大脑MR图像分割在小数据集。首先，针对训练图像数量有限的问题，采用对抗性防御来增强训练数据，从而提高网络的鲁棒性。其次，受神经解剖学先验知识的启发，我们将不同区域的分割任务以分层的方式重新组织成若干组。第三，任务重组扩展到语义层面，因为我们将一个额外的对象级分类任务，以促进高阶视觉功能的像素级分割任务。在实验中，我们通过分割挑战数据集上的灰质，白质和几个主要区域来验证我们的方法。在现场测试集上，该方法仅用7个受试者进行训练，就可以获得84.46%的Dice分数。
2019-06-25 cs.CV eess.IV
Modality-Pairing Learning for Brain Tumor 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）；Lenovo Research（联想研究院）
利用深度学习方法从多模态磁共振图像（MRI）中自动分割脑肿瘤在辅助脑肿瘤的诊断和治疗中起着重要作用。然而，以往的方法大多忽略了不同模态之间的潜在关系。在这项工作中，我们提出了一种新的端到端的模态配对学习方法用于脑肿瘤分割。该算法通过分层分支来挖掘不同的模态特征，并利用一系列的层连接来捕捉模态之间的复杂关系和丰富的信息。我们还使用一致性损失来最小化两个分支之间的预测方差。此外，采用学习率预热策略，解决了训练不稳定和早期过拟合的问题。最后，我们使用多个模型的平均集成和一些后处理技术来得到最终的结果。在BraTS 2020在线测试数据集上对该方法进行了测试，获得了良好的分割性能，整个肿瘤、肿瘤核心和增强肿瘤的平均骰子分数分别为0.891、0.842、0.816。我们的肿瘤分割任务赢得了BraTS 2020挑战赛的第二名。
2020-12-29 cs.CV eess.IV
Unsupervised Deep Learning for Bayesian Brain MRI Segmentation
Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院Martinos生物医学影像中心）；Massachusetts Institute of Technology（麻省理工学院）；Cornell University（康奈尔大学）；University College London（伦敦大学学院）
概率图谱先验通常用于导出自适应和鲁棒的脑MRI分割算法。广泛使用的神经图像分析管道严重依赖于这些技术，这些技术通常在计算上是昂贵的。相比之下，最近出现了一种利用深度学习来实现在测试时计算效率高的分割工具的方法。然而，这些策略中的大多数依赖于从手动注释的图像中学习。因此，这些有监督的深度学习方法对训练数据集中的强度分布敏感。为了为新的图像数据集开发基于深度学习的分割模型（例如，不同的对比度），通常需要创建新的标记训练数据集，这可能非常昂贵，或者依赖于次优的自适应或增强方法。在本文中，我们提出了一种替代策略，将传统的基于概率图谱的分割与深度学习相结合，使人们能够训练新MRI扫描的分割模型，而无需任何手动分割图像。我们的实验包括数千个脑MRI扫描，并证明所提出的方法实现了良好的准确性，为不同的MRI对比度的脑MRI分割任务，在GPU上的测试时间仅需约15秒。该代码可在http://voxelmorph.mit.edu上免费获得。
2019-07-23 cs.CV eess.IV
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
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
Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs
NVIDIA（英伟达）
多模态脑肿瘤分割挑战（BraTS）汇集了研究人员，以改进3D MRI脑肿瘤分割的自动化方法。肿瘤分割是疾病诊断和治疗计划所必需的基本视觉任务之一。前几年的获奖方法都是基于深度学习的，这要归功于现代GPU的出现，它允许快速优化深度卷积神经网络架构。在这项工作中，我们探索了3D语义分割的最佳实践，包括传统的编码器-解码器架构，以及组合损失函数，试图进一步提高分割精度。我们在BraTS 2019挑战赛上评估了该方法。
2020-01-06 cs.CV cs.LG eess.IV
Memory efficient brain tumor segmentation using an autoencoder-regularized U-Net
Kavli Institute for Systems Neuroscience, NTNU（挪威科技大学卡弗里系统神经科学研究所）
脑肿瘤的早期诊断和准确分割是治疗成功的关键。不幸的是，手动分割是耗时的，昂贵的，尽管有广泛的人类专业知识，但通常是不准确的。在这里，我们使用自动编码器正则化的3D卷积神经网络提出了一个基于MRI的肿瘤分割框架。我们在335名患有不同严重程度、大小和位置肿瘤的患者的手动分割结构T1、T1 ce、T2和Flair MRI图像上训练模型。然后，我们使用125名患者的独立数据对模型进行了测试，并成功地将脑肿瘤分割为三个子区域：肿瘤核心（TC），增强肿瘤（ET）和整个肿瘤（WT）。我们还探索了几个数据增强和预处理步骤，以提高分割性能。重要的是，我们的模型是在一个NVIDIA GTX 1060图形单元上实现的，因此可以优化肿瘤分割，以获得广泛负担得起的硬件。总之，我们提出了一个内存效率和负担得起的解决方案，肿瘤分割，以支持肿瘤脑病理的准确诊断。
2019-10-04 cs.CV eess.IV q-bio.NC
DARTS: DenseUnet-based Automatic Rapid Tool for brain Segmentation
Center for Data Science, New York University（纽约大学数据科学中心）；New York University School of Medicine（纽约大学医学院）
磁共振成像（MRI）的定量体积分析是研究人员在许多神经系统疾病（包括正常成熟和衰老）中研究大脑的基本方法。尽管开源脑分割软件的可用性，但由于处理时间和对手动校正的依赖，体积分析的广泛临床采用受到阻碍。在这里，我们从概念验证中扩展了深度学习模型的使用，如前所述，以呈现与常用开源工具Freesurfer中包含的aseg+aparc标准区域相匹配的皮质和深层灰质大脑结构的全面分割。本文介绍的工作提供了一个真实、快速的基于深度学习的大脑分割工具，可以实现定量大脑分割的临床翻译和研究应用。所提出的工具的优点包括短（~1分钟）的处理时间和提高分割质量。这是第一项基于表面协议（DMK协议）对102个大脑区域进行快速准确分割的研究，该协议被该领域的专家广泛使用。这也是第一个包含专家读者研究的工作，以评估使用基于深度学习的模型获得的分割质量。我们展示了基于深度学习的模型优于传统分割工具Freesurfer的性能。我们将所提出的基于深度学习的工具称为DARTS（基于DenseUnet的自动快速大脑分割工具）。我们的工具和经过训练的模型可在https://github.com/NYUMedML/DARTS上获得
2019-11-14 cs.CV eess.IV q-bio.QM
AGD-Autoencoder: Attention Gated Deep Convolutional Autoencoder for Brain Tumor Segmentation
脑肿瘤分割是医学图像分析中的一个具有挑战性的问题。其终点是生成在fMRI筛查中准确识别脑肿瘤区域的显著掩模。在本文中，我们提出了一种新的注意力门（AG模型）脑肿瘤分割，利用边缘检测单元和注意力门控网络突出和分割的功能磁共振成像图像的显着区域。该功能使我们能够消除必须明确指向受损区域（外部组织定位）并按照经典计算机视觉技术进行分类的必要性。AG可以很容易地集成到深度卷积神经网络（CNN）中。最小的计算开销是必需的，而AGs显着提高灵敏度分数。我们表明，边缘检测器与注意力门控机制一起提供了足够的方法，用于脑分割，达到0.78的IOU
2021-07-07 cs.CV cs.LG eess.IV
