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
The MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024: Efficient and Robust Aggregation Methods for Federated Learning
Department of Pathology and Laboratory Medicine, Indiana University School of Medicine(印第安纳大学医学院病理学与实验室医学系);Center for Federated Learning in Medicine, Indiana University School of Medicine(印第安纳大学医学院医学联邦学习中心);Medical AI Group, MLCommons(MLCommons医学人工智能小组);Intel Corporation(英特尔公司);Sage Bionetworks(Sage生物网络);Turku University of Applied Sciences(图尔库应用科学大学);Stanford University(斯坦福大学);Ecole Normale Supérieure(巴黎高等师范大学);Technical University of Munich(慕尼黑技术大学);Weill Cornell Medicine(韦尔医学院);Ezri AI Labs(Ezri AI实验室);City St George’s, University of London(伦敦大学城市学院);Imperial College London(伦敦帝国学院);Seoul National University(首尔国立大学);Ostbayerische Technische Hochschule (OTH) Regensburg(雷根斯堡应用技术大学);Universität Zürich(苏黎世大学);Kingston University London(伦敦金史密斯学院);Departments of Radiology and Imaging Sciences(印第安纳大学医学院放射学与影像科学系;神经外科系;生物统计学与健康数据科学系);Neurological Surgery(印第安纳大学计算机科学系;Luddy信息学、计算与工程学院);Biostatistics and Health Data Science, Indiana University School of Medicine;Department of Computer Science, Luddy School of Informatics, Computing and Engineering, Indiana University
MICCAI 2024挑战提出基于PID控制器的联邦学习方法,提升肿瘤分割的鲁棒性和效率,实现高DSC和低HD95的优异性能。
2025-12-05 cs.CV cs.LG
Multimodal MRI brain tumor segmentation using random forests with features learned from fully convolutional neural network
University of Lincoln(林肯大学)
在本文中,我们提出了一种新的学习为基础的方法自动分割脑肿瘤的多模态MRI图像。机器学习的功能从全卷积神经网络(FCN)和手工设计的纹理特征被用来分类的MRI图像体素。具有逐像素预测的分数图被用作使用FCN从多模态MRI训练数据集学习的特征图。然后将学习到的特征应用于随机Forest,以将每个MRI图像体素分类为正常脑组织和肿瘤的不同部分。在BRATS 2013挑战数据集上评价了该方法。结果表明,随机森林分类器的应用程序,多模态MRI图像使用机器学习的功能的基础上FCN和手工设计的功能的基础上的纹理基元提供了有前途的分割。对于完整肿瘤、核心肿瘤和增强肿瘤,针对地面真实的自动脑肿瘤分割的Dice重叠度量分别为0.88、080和0.73。
2017-04-26 cs.CV cs.LG
Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心)
对于头颈部癌症(HNC)患者管理,自动大体肿瘤体积(GTV)分割和准确的治疗前癌症复发预测对于帮助医生设计个性化管理计划非常重要,这有可能改善HNC患者的治疗结果和生活质量。在本文中,我们开发了一种自动化的原发性肿瘤(GTVp)和淋巴结(GTVn)分割方法的基础上结合治疗前正电子发射断层扫描/计算机断层扫描(PET/CT)扫描的HNC患者。我们从分割的肿瘤体积中提取放射组学特征,并构建了一个多模态肿瘤无复发生存(RFS)预测模型,该模型融合了来自单独的CT放射组学,PET放射组学和临床模型的预测结果。我们进行了5重交叉验证,以在MICCAI 2022 HEad和neCK TumOR分割和结果预测挑战(HECKTOR)数据集上训练和评估我们的方法。测试队列的集合预测结果分别实现了GTVp和GTVn分割的Dice评分为0.77和0.73,RFS预测的C指数值为0.67。该代码是公开的(https://github.com/wangkaiwan/HECKTOR-2022-AIRT)。我们队的名字叫Airt。
2022-09-22 cs.CV cs.LG
Federated Learning for the Classification of Tumor Infiltrating Lymphocytes
University of Pennsylvania(宾夕法尼亚大学);Perelman School of Medicine(佩雷尔曼医学院);Technical University of Munich(慕尼黑工业大学);Stony Brook University(石溪大学)
我们评估了联邦学习(FL)在开发用于分析数字化组织切片的深度学习模型方面的性能。分类应用被认为是示例用例,关于量化肿瘤浸润淋巴细胞在整个载玻片图像(WSI)内的分布。使用从WSI提取的50*50平方微米的块来训练深度学习分类模型。我们模拟了一个FL环境,其中从癌症基因组图谱库提供的众多解剖部位的癌症WSI生成的数据集被划分为8个不同的节点。我们的研究结果表明,使用联邦训练方法训练的模型在定量和定性方面都达到了与在集中位置汇集所有训练数据训练的模型相似的性能。我们的研究表明,FL具有巨大的潜力,可以开发更强大和准确的组织病理学图像分析模型,而无需在单个位置收集大量和多样化的训练数据。
2022-04-01 cs.CV cs.LG eess.IV
Reproducible Evaluation of Data Augmentation and Loss Functions for Brain Tumor Segmentation
DESE, Indian Institute of Science(印度科学研究院数据与系统工程系)
本研究在公开脑肿瘤MRI数据集上,使用焦点损失和三种基础数据增强技术评估U-Net分割性能,达到90%精确度,并公开代码与结果以建立可复现基线。
2025-10-08 cs.CV cs.LG
Exploiting Test-Time Augmentation in Federated Learning for Brain Tumor MRI Classification
Institute of Exact and Technological Sciences, Federal University of Viçosa - UFV, Rio Paranaíba-MG, Brazil(精确与技术科学研究所,弗拉维亚联邦大学-UFV,里奥帕拉纳伊巴-MG,巴西);Department of Computing, Federal University of São Carlos, São Carlos-SP, Brazil(计算系,萨o卡洛斯联邦大学,萨o卡洛斯-SP,巴西)
本文提出在联邦学习中结合测试时增强和轻量预处理以提升脑肿瘤MRI分类的准确性。
2026-01-19 cs.AI cs.CV cs.LG
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
Whole-brain radiomics for clustered federated personalization in brain tumor segmentation
Univ Lyon(里昂大学);CNRS(法国国家科学研究中心);INSA Lyon(里昂国立应用科学学院);UCBL(里昂第一大学);Inserm(法国国家健康与医学研究院);Centrale Lyon(里昂中央理工学院);Univ Lyon 2(里昂第二大学)
针对联邦医学图像分割中机构间与机构内特征偏移导致的异质性问题,提出基于全脑影像组学特征聚类的新型个性化算法,通过聚类去中心化数据集微调全局模型,在FeTS2022数据集上验证了有效性。
2023-10-17 cs.CV cs.LG eess.IV
Non Parametric Data Augmentations Improve Deep-Learning based Brain Tumor Segmentation
Technion - IIT(以色列理工学院);Philips(飞利浦)
基于磁共振成像(MRI)数据的脑肿瘤自动分割在评估肿瘤对治疗的反应和个性化治疗分层方面发挥着重要作用。手动分割是繁琐和主观的。基于深度学习的脑肿瘤分割算法有可能提供客观和快速的肿瘤分割。然而,此类算法的训练需要大型数据集,这些数据集并不总是可用的。数据增强技术可以减少对大型数据集的需求。然而,目前的方法大多是参数化的,可能会导致次优性能。我们介绍两种用于脑肿瘤分割的非参数数据增强方法:混合结构正则化(MSR)和随机像素噪声(SPN)增强,评价了MSR和SPN增强在脑肿瘤分割(BraTS)中的应用价值2018年挑战数据集,采用编码器-解码器nnU-Net架构作为分割算法。与参数高斯噪声增强相比,MSR和SPN都提高了nnU-Net分割精度。平均骰子分数从80%增加到82%,p值=0.0022,0.0028时,比较MSR的非参数增强肿瘤核心和整个肿瘤实验分别提出的MSR和SPN增强有潜力提高神经网络的性能,以及在其他任务。
2021-11-25 cs.CV cs.LG eess.IV
3D Kidneys and Kidney Tumor Semantic Segmentation using Boundary-Aware Networks
NVIDIA(英伟达);University of California, Los Angeles(加州大学洛杉矶分校)
肾脏和肾脏肿瘤的自动分割是量化肿瘤的形态学细节以监测疾病进展并准确比较关于肾脏肿瘤治疗的决策的重要步骤。手动描绘技术通常是繁琐的,容易出错的,并且需要专业知识来创建肾脏和肾脏肿瘤分割的明确表示。在这项工作中,我们提出了一个端到端的边界感知完全卷积神经网络(CNN),用于从动脉相腹部3D CT扫描中进行可靠的肾脏和肾脏肿瘤语义分割。我们提出了一个分割网络组成的编码器-解码器架构,专门占器官和肿瘤的边缘信息,通过设计一个专用的边界分支监督边缘感知损失条款。我们在2019 MICCAI KiTS肾脏肿瘤分割挑战数据集上评估了我们的模型,我们的方法重复获得了肾脏和肿瘤的骰子得分为0.9742和0.8103,总体综合骰子得分为0.8923。
2019-09-14 cs.CV cs.LG eess.IV
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
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
Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner UNet
University of Copenhagen(哥本哈根大学)
本文评估了多平面U-Net(MPUnet)在PED、MET和SSA三个脑肿瘤数据集上的分割性能,发现肿瘤核心分割精度较高,而水肿和增强肿瘤区域分割存在变异性,表明该方法仍需进一步改进并纳入更多MRI数据。
2024-01-12 cs.CV cs.LG eess.IV
Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation
Middle East Technical University(中东技术大学);Neuroscience and Neurotechnology Center of Excellence(神经科学与神经技术卓越中心)
大型、多样化和跨国数据集的可用性对于在医学成像领域开发有效和临床适用的AI系统至关重要。然而,通过将这些数据集集中在一个中心位置来形成一个全球模型,会带来各种数据隐私和所有权问题。为了缓解这些问题,最近的几项研究集中在联邦学习范式上,这是一种用于分散数据的分布式学习方法。联邦学习利用所有可用的数据,而无需相互共享协作者的数据或将其收集在中央服务器上。研究表明,联邦学习可以提供与传统中央训练有竞争力的性能,同时具有良好的泛化能力。在这项工作中,我们研究了几种联邦学习方法对脑肿瘤分割问题。我们探索了不同的策略,以实现更快的收敛和更好的性能,这些策略也可以用于强非IID情况。
2022-04-12 cs.AI cs.CV cs.DC
Federated brain tumor segmentation: an extensive benchmark
Univ Lyon(里昂大学);INSA Lyon(里昂国立应用科学学院);UCBL(里昂第一大学);Inserm(法国国家健康与医学研究院);Centrale Lyon(里昂中央理工学院);Univ Lyon 2(里昂第二大学);CNRS(法国国家科学研究中心);CREATIS(CREATIS研究院);LIRIS(LIRIS研究院)
本文针对 Federated Brain Tumor Segmentation 2022 数据集,对全局、个性化和混合三类联邦学习算法进行广泛基准评测,发现部分方法可较 FedAvg 带来轻微提升并减少数据分布偏置,同时分析了不同数据分配方式下的联邦学习行为。
2024-10-07 cs.AI cs.CV cs.LG
Multi-class Brain Tumor Segmentation using Graph Attention Network
Lakehead University(湖首大学)
磁共振成像(MRI)中的脑肿瘤分割在诊断放射学中起着重要作用。为了克服手动方法中的实际问题,对构建自动肿瘤分割算法有巨大的需求。这项工作介绍了一个有效的脑肿瘤总和模型,利用MRI和图形神经网络(GNNs)的进步。该模型将体积MRI表示为区域邻接图(RAG),并通过图形注意力网络(GAT)(GNN的变体)学习识别肿瘤类型。在两个基准数据集上进行的消融分析证明,与领先的解决方案相比,该模型可以产生有竞争力的结果。在BrTS2021验证数据集上,对于整个肿瘤、核心肿瘤和增强肿瘤分割,其平均骰子评分分别为0.91、0.86、0.79,第95百分位数(HD95)的平均Hausdorff距离分别为5.91、6.08和9.52 mm。平均而言,与基于GNN的基线模型相比,这些性能分别在骰子得分和HD95评估指标上> 6%和> 50%。
2023-02-11 cs.CV cs.LG eess.IV
Neural Gas Network Image Features and Segmentation for Brain Tumor Detection Using Magnetic Resonance Imaging Data
Pars AI Company(帕尔斯人工智能公司)
准确检测脑肿瘤可以挽救许多生命,提高这种二进制分类的准确性,即使只有百分之几也具有很高的重要性。神经气体网络(NGN)是一种快速、无监督的算法,可用于数据聚类、图像模式识别和图像分割。在这项研究中,我们使用元启发式萤火虫算法(FA)的图像对比度增强作为预处理和NGN权重的特征提取和分割的磁共振成像(MRI)数据的两个脑肿瘤数据集从Kaggle平台。此外,通过支持向量机(SVM)分类算法进行肿瘤分类,并与深度学习技术以及训练和测试阶段的其他特征进行比较。此外,NGN肿瘤分割通过著名的性能指标进行评估,如准确性,F-测量,Jaccard等,与地面真实数据进行比较,并与传统的分割技术进行比较。与其他方法相比,该方法在肿瘤分类和分割两个任务中都是快速和精确的。该方法的分类准确率为95.14%,分割准确率为0.977.
2023-01-28 cs.CV cs.LG eess.IV
Brain tumor multi classification and segmentation in MRI images using deep learning
Ahram Canadian University(艾赫拉姆加拿大大学)
本研究提出基于EfficientNetB1的分类模型和基于U-Net的分割模型,用于MRI图像中脑肿瘤的四分类与准确分割,实验表明其高准确率具有临床应用潜力。
2023-06-23 cs.CV cs.LG eess.IV
Stan: Small tumor-aware network for breast ultrasound image segmentation
University of Idaho(爱达荷大学)
乳腺肿瘤分割提供了准确的肿瘤边界,并作为进一步癌症量化的关键步骤。尽管已经提出了基于深度学习的方法并取得了可喜的成果,但现有方法在检测小乳腺肿瘤方面存在困难。检测小肿瘤的能力在使用计算机辅助诊断(CAD)系统发现早期癌症方面尤为重要。在本文中,我们提出了一种新的深度学习架构,称为小肿瘤感知网络(STAN),以提高分割不同大小肿瘤的性能。新架构集成了丰富的上下文信息和高分辨率图像功能。我们验证了所提出的方法,使用七个定量指标对两个公共乳腺超声数据集。所提出的方法优于国家的最先进的方法分割小乳腺肿瘤。指数
2020-02-03 cs.CV cs.LG eess.IV
Multiclass Spinal Cord Tumor Segmentation on MRI with Deep Learning
Polytechnique Montreal(蒙特利尔理工学院);Mila, Quebec AI Institute(米拉魁北克人工智能研究所);Beijing Tiantan Hospital, Capital Medical University(首都医科大学附属北京天坛医院);Université de Montréal(蒙特利尔大学)
脊髓肿瘤导致神经系统的发病率和死亡率。能够获得肿瘤、水肿和空洞的形态定量(大小、位置、生长速率)可以改善监测和治疗计划。这种量化需要将这些结构分割成三个独立的类别。然而,手动分割的三维结构是耗时和繁琐的,激励自动化方法的发展。在这里,我们定制了一个适合脊髓肿瘤分割任务的模型。数据来自343名患者,使用钆增强T1加权和T2加权MRI扫描,覆盖颈部、胸部和/或腰部。该数据集包括三种最常见的脊髓髓内肿瘤类型:星形细胞瘤、室管膜瘤和血管母细胞瘤。所提出的方法是一种级联架构,具有基于U-Net的模型,在两个阶段的过程中分割肿瘤:定位和标记。该模型首先找到脊髓并生成边界框坐标。根据此输出裁剪图像,从而减少视野,从而缓解类别不平衡。然后将肿瘤分段。肿瘤、空洞和水肿(作为单一类别)的分割达到Dice评分的76.7 $\pm$ 1.5%,单独肿瘤的分割达到Dice评分的61.8 $\pm$ 4.0%。肿瘤、水肿、空洞的真阳性检出率均在87%以上。据我们所知,这是第一个用于脊髓肿瘤分割的全自动深度学习模型。多类分割管道可在Spinal Cord Toolbox(https://spinalcordtoolbox.com/)中找到。它可以在几秒钟内在普通计算机上运行自定义数据。
2021-03-30 cs.CV cs.LG eess.IV
AEPL: Automated and Editable Prompt Learning for Brain Tumor Segmentation
School of Mathematics and Statistics, Xi'an Jiaotong University(西安交通大学数学与统计学院)
本文提出AEPL框架,通过多任务学习自动生成并允许人工编辑肿瘤分级提示以引导脑肿瘤分割,在BraTS 2018上达到最先进性能。
2024-10-21 cs.AI cs.CV cs.LG
A Volumetric Convolutional Neural Network for Brain Tumor Segmentation
脑癌可能是非常致命的,但通过早期发现和治疗,生存的机会会增加。医生使用磁共振成像(MRI)来检测和定位大脑中的肿瘤,并非常仔细地分析扫描以分割脑肿瘤。手动分割对医生来说既耗时又累人,而且他们很难注意到非常小的异常。由计算机执行的自动分割提供了更快的诊断,注意小细节的能力和更准确的分割。深度学习和计算机硬件的进步已经允许高性能的自动分割方法。然而,在实践中仍然存在一些问题:增加培训时间,班级不平衡和低绩效。在本文中,我建议应用V-Net,一个体积,完全卷积神经网络,分割脑肿瘤的MRI扫描从BraTS挑战。通过这种方法,我实现了0.89的整体肿瘤骰子得分,并在短时间内训练网络,同时使用骰子丢失层解决类不平衡问题。然后,我建议应用现有技术来提高实践中的自动分割性能。
2018-10-27 cs.CV cs.LG stat.ML
CU-Net: Cascaded U-Net with Loss Weighted Sampling for Brain Tumor Segmentation
Xidian University(西安电子科技大学);Weill Cornell Medical School, Cornell University(康奈尔大学威尔康奈尔医学院)
本文提出了一种新的级联U-网脑肿瘤分割。受脑肿瘤明显的层次结构的启发,我们设计了一个级联的深度网络框架,首先分割整个肿瘤,然后进一步分割肿瘤内部的子结构。考虑到级联结构带来的网络深度的增加会导致更深层精确定位信息的丢失,我们构造了许多跳跃连接来连接相同分辨率的特征,并将细节信息从浅层传递到更深层。然后,我们提出了一个损失加权采样(LWS)计划,以消除不平衡的数据在训练网络的问题。在BraTS 2017数据上的实验结果表明,我们的架构框架优于最先进的分割算法,特别是在分割灵敏度方面。
2019-07-17 cs.CV cs.LG eess.IV
ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation
University of Idaho(爱达荷大学);University of Utah School of Medicine(犹他大学医学院)
乳腺肿瘤分割是计算机辅助诊断(CAD)系统中用于乳腺癌检测的关键任务,因为准确的肿瘤大小、形状和位置对于进一步的肿瘤量化和分类是重要的。然而,由于斑点噪声、患者之间不同的肿瘤形状和大小以及肿瘤样图像区域的存在,分割超声图像中的小肿瘤是具有挑战性的。最近,基于深度学习的方法在生物医学图像分析方面取得了巨大成功,但目前最先进的方法在分割小乳腺肿瘤方面的性能较差。在本文中,我们提出了一种新型的深度神经网络架构,即增强型小肿瘤感知网络(ESTAN),以准确、鲁棒地分割乳腺肿瘤。ESTAN引入了两个编码器来提取和融合不同尺度的图像上下文信息,并在编码器中使用行-列方式的内核来适应乳房解剖结构。我们验证了所提出的方法,并将其与使用七个定量指标的三个公共乳腺超声数据集上的九种最先进的方法进行比较。实验结果表明,该方法在小肿瘤分割方面取得了最好的整体性能,优于其他所有方法。
2020-09-27 cs.CV cs.LG eess.IV
BATseg: Boundary-aware Multiclass Spinal Cord Tumor Segmentation on 3D MRI Scans
The Hong Kong Polytechnic University(香港理工大学);Beijing Tiantan Hospital, Capital Medical University(首都医科大学附属北京天坛医院);University of Macau(澳门大学)
针对脊髓肿瘤体积小、位置形态多样导致的多类分割难题,提出边界感知方法BATseg,构建首个大规模多类脊髓肿瘤MRI数据集,实验验证其在多类肿瘤分割上性能更优。
2024-12-09 cs.CV cs.LG eess.IV
Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation
University of Engineering and Technology, Lahore(拉合尔工程技术大学);School of Interdisciplinary Engineering and Sciences, National University of Sciences and Technology(国家科技大学跨学科工程与科学学院)
本文提出一种混合多头注意力U-Net架构,用于提高脑肿瘤分割的准确性,在BraTS 2020数据集上优于SegNet、FCN-8s和Dense121 U-Net。
2024-05-22 cs.CV cs.LG eess.IV
A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and Overall Patient Survival Prediction
School of Engineering and Applied Science, Ahmedabad University(艾哈迈达巴德大学工程与应用科学学院)
胶质瘤是最致命的脑肿瘤,死亡率高。人类专家的治疗计划取决于对身体症状的正确诊断以及磁共振(MR)图像分析。脑肿瘤在大小、形状、位置和大量MR图像方面的高度可变性使得分析耗时。自动分割方法实现了时间的减少,具有良好的可重复性的结果。本文旨在综述脑胶质瘤自动分割方法的进展。还必须根据基准对各种模式进行客观评价。因此,2012 - 2019年BraTS挑战数据库评估了最先进的方法。挑战下任务的复杂性已经从分割(任务1)增长到总体生存预测(任务2),再到分类的不确定性预测(任务3)。本文涵盖了使用手工特征对任务1的深度神经网络模型进行脑肿瘤分割的全部内容。其目的是展示自动化脑肿瘤模型趋势的完全变化。本文还涵盖了涉及脑肿瘤分割和总体生存预测的端到端联合模型。对各种方法进行了探讨,并对影响性能的参数进行了列表分析。
2021-03-08 cs.CV cs.LG 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
Hyper Vision Net: Kidney Tumor Segmentation Using Coordinate Convolutional Layer and Attention Unit
Couger Inc(库格公司);Sethu Institute of Technology(塞图理工学院);Thiagarajar college of Engineering(蒂亚加拉贾工程学院)
KiTs 19挑战为加速实体肾肿瘤语义分割方法的改进铺平了道路。CT图像中的肾脏肿瘤由于运动不均匀、外形相似、形状多样等特点,其精确分割是一项具有挑战性的任务。受此启发,在本文中,我们提出了一种使用深度学习网络(称为Hyper vision Net模型)的新型肾脏肿瘤分割方法。所有现有的U-net模型都使用修改后的U-net来分割肾脏肿瘤区域。在所提出的架构中,我们在解码器部分引入了监督层,它甚至可以细化输出中的最小区域。数据集由300名患者的真实动脉期腹部CT扫描组成,包括KiTs 19提供的45964张图像,用于训练和验证所提出的模型。与现有的分割方法相比,该方法在肿瘤区域和肾脏区域的训练骰子值分别为0.9552和0.9633。
2019-08-09 cs.CV cs.LG eess.IV
Multimodal Spatial Attention Module for Targeting Multimodal PET-CT Lung Tumor Segmentation
The University of Sydney(悉尼大学)
多模式正电子发射断层扫描-计算机断层扫描(PET-CT)通常用于评估癌症。PET-CT将肿瘤检测的高灵敏度与PET和来自CT的解剖信息相结合。肿瘤分割是PET-CT的一个关键环节,但目前还没有一种准确的自动分割方法。分割往往是由不同的成像专家手动完成,它是劳动密集型的,容易出现错误和不一致。以前的自动分割方法主要集中在融合从PET和CT模态中单独提取的信息,基本假设每个模态包含互补信息。然而,这些方法没有充分利用可以引导分割的高PET肿瘤灵敏度。我们引入了一个多模态空间注意模块(MSAM),它可以自动学习强调与肿瘤相关的区域(空间区域),并抑制具有生理高摄取的正常区域。随后采用所得到的空间注意力图来靶向卷积神经网络(CNN),以分割具有较高肿瘤可能性的区域。我们的MSAM可以应用于常见的骨干网架构和端到端培训。我们在非小细胞肺癌(NSCLC)和软组织肉瘤(STS)的两个临床PET-CT数据集上的实验结果验证了MSAM在这些不同癌症类型中的有效性。我们表明,我们的MSAM,与传统的U-网骨干,超过了国家的最先进的肺肿瘤分割方法的7.6%的保证金骰子相似系数(DSC)。
2020-08-06 cs.CV cs.LG eess.IV
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
Glioma Prognosis: Segmentation of the Tumor and Survival Prediction using Shape, Geometric and Clinical Information
National University of Singapore(新加坡国立大学);National Institute of Technology, Tiruchirappalli(蒂鲁吉拉伯利国立理工学院)
从磁共振成像(MRI)中分割脑肿瘤是提高诊断、治疗计划和研究肿瘤患者与健康受试者之间差异的重要过程。在本文中,我们利用卷积神经网络(CNN)与超列技术分割肿瘤从健康的脑组织。超列是通过从多个层中提取卷积特征而形成的一组向量的串联。提出的模型集成了批量归一化(BN)方法与超列。BN层通过每个小批次的零均值和单位方差帮助减轻随机梯度下降(SGD)训练期间的内部协变量移位。生存预测通过首先从分割的脑肿瘤数据中提取特征(几何、分形和直方图)来完成。然后,通过使用人工神经网络(ANN)对提取的特征进行回归来预测总生存天数。我们的模型在分割任务中对整个肿瘤、肿瘤核心和增强肿瘤的平均骰子得分分别为89.78%、82.53%和76.54%,在总生存预测任务中的平均骰子得分为67.90%,验证集为BraTS 2018挑战。在BraTS 2018测试数据集中,分割任务中整个肿瘤、肿瘤核心和增强肿瘤的平均骰子准确率分别为87.315%、77.04%和70.22%,总生存预测任务的平均骰子准确率为46.80%。
2021-04-02 cs.CV cs.LG eess.IV
Label-Free Liver Tumor Segmentation
Huazhong University of Science and Technology(华中科技大学);The Chinese University of Hong Kong – Shenzhen(香港中文大学(深圳));Johns Hopkins University(约翰斯·霍普金斯大学);The First Affiliated Hospital of Nanjing Medical University(南京医科大学第一附属医院)
我们证明了AI模型可以通过在CT扫描中使用合成肿瘤来准确地分割肝脏肿瘤,而无需手动注释。我们的合成肿瘤有两个有趣的优势:(1)形状和纹理逼真,即使是医学专业人员也会与真实肿瘤混淆;(2)有效训练AI模型,可以与在真实肿瘤上训练的模型类似地执行肝脏肿瘤分割-这一结果令人兴奋,因为目前还没有任何工作,仅使用合成肿瘤,迄今为止已经达到与真实肿瘤相似甚至接近的性能。这一结果还意味着,将来可以显著减少逐个体素注释肿瘤体素的手动工作(这需要数年时间才能创建)。此外,我们的合成肿瘤可以自动生成许多小型(甚至微小)合成肿瘤的例子,并有可能提高检测小型肝脏肿瘤的成功率,这对于检测癌症的早期阶段至关重要。除了丰富训练数据外,我们的合成策略还使我们能够严格评估AI的鲁棒性。
2023-03-27 cs.CV cs.LG eess.IV
3D Semantic Segmentation of Brain Tumor for Overall Survival Prediction
Ahmedabad University(艾哈迈达巴德大学)
胶质瘤是一种恶性脑肿瘤,需要立即治疗以提高患者的生存率。胶质瘤的异质性使得分割困难,特别是对于像坏死、增强肿瘤、非增强肿瘤和水肿这样的子区域。深度神经网络,如全卷积神经网络和全卷积神经网络的集成,对于胶质瘤分割是成功的。本文演示了使用一个三维全卷积神经网络与三层编码器解码器的方法层安排。编码器块包括密集模块,并且解码器块包括卷积模块。网络的输入是3D面片。损失函数结合了骰子损失函数和焦点损失函数。对于增强肿瘤、整个肿瘤和肿瘤核心,网络的验证集骰子得分分别为0.74、0.88和0.73。随机森林回归器使用从地面实况提取的形状、体积和年龄特征进行总体生存预测。回归器在验证集上实现了44.8%的准确度。
2020-11-29 cs.CV cs.LG eess.IV
Automatic brain tumor segmentation in 2D intra-operative ultrasound images using magnetic resonance imaging tumor annotations
Department of Health Research(健康研究系);SINTEF Digital(SINTEF数字);Department of Physics(物理系);Norwegian University of Science and Technology (NTNU)(挪威科学与技术大学(NTNU));Department of Circulation and Medical Imaging(循环与医学成像系);St. Olavs hospital(圣奥拉夫医院);Department of Neuromedicine and Movement Science(神经医学与运动科学系)
本文提出利用更易获取的MRI肿瘤标注,通过图像配准转移至iUS图像来训练nnU-Net模型,实现术中超声脑肿瘤自动分割,其效果与iUS标注训练的模型相当。
2025-08-15 cs.CV cs.LG eess.IV
Prototype-Driven and Multi-Expert Integrated Multi-Modal MR Brain Tumor Image Segmentation
Kunming University of Science and Technology(昆明理工大学);Yunnan University(云南大学)
针对多模态MR脑肿瘤分割中肿瘤子区域信息混叠、单区域特征未被强化的问题,提出原型驱动结合多专家集成的分割方法,通过模态互传获取完整原型、原型激活强化子区域特征、多专家融合多层特征,在三个竞赛数据集上验证了方法优越性。
2023-07-22 cs.CV cs.LG eess.IV
A Data Augmentation Method for Fully Automatic Brain Tumor Segmentation
Beijing Technology and Business University(北京工商大学)
胶质瘤及其亚区域的自动分割对于疾病的诊断、治疗和监测具有重要意义。本文提出了一种增强方法TensorMixup,并将其应用于脑肿瘤三维U-Net分割。其主要思想包括:首先,从任意两个患者的磁共振成像数据中,根据真实标签的胶质瘤信息,选取两个三维尺寸为128的图像块。然后,使用一个张量来混合图像块,其中所有元素都是从Beta分布中独立采样的。然后将张量映射到一个矩阵,该矩阵用于混合上述图像块的独热编码标签。因此,一个新的图像和它的独热编码标签被合成。最后,利用新的数据对模型进行训练,使其能够用于胶质瘤的分割。实验结果表明,Dice评分在肿瘤整体、肿瘤核心和增强肿瘤分割上的平均准确率分别为91.32%、85.67%和82.20%,证明了本文提出的TensorMixup算法对脑肿瘤分割的可行性和有效性。
2022-02-18 cs.CV cs.LG eess.IV
A Feasibility study for Deep learning based automated brain tumor segmentation using Magnetic Resonance Images
University of Peradeniya(佩拉德尼亚大学)
深度学习算法已经在医学图像分析、解释和分割方面加速了人工智能的研究,在医学的各个子学科中有许多潜在的应用。然而,只有有限数量的研究,调查这些应用场景,部署到临床部门的实际需求和模型部署的实际挑战的评估。在这项研究中,开发了基于深度卷积神经网络(CNN)的分类网络和基于Faster RCNN的定位网络,用于脑肿瘤MR图像分类和肿瘤定位。在肿瘤定位的基础上,采用了一种典型的边缘检测算法Prewitt进行肿瘤分割。使用客观质量参数(包括准确度、边界位移误差(BDE)、Dice评分和置信区间)分析了所提出的肿瘤分割架构的总体性能。根据双重刺激损害量表(DSIS)协议,使用医学专业知识的输入进行主观质量评估的模型。据观察,我们的分段输出的置信水平是在一个类似的范围内的专家。此外,神经学家将我们模型的输出评为高度准确的分割。
2020-12-22 cs.CV cs.LG eess.IV
A Two-Stage Cascade Model with Variational Autoencoders and Attention Gates for MRI Brain Tumor Segmentation
New York University(纽约大学)
MRI脑肿瘤的自动分割对于疾病的诊断、监测和治疗计划的制定具有重要意义。在本文中,我们提出了一个两阶段的编码器-解码器为基础的模型,脑肿瘤分区分割。在这两个阶段中使用变分自动编码器正则化来防止过拟合问题。第二阶段网络采用注意门,并使用由第一阶段输出形成的扩展数据集进行额外训练。在BraTS 2020验证数据集上,所提出的方法对于整个肿瘤、肿瘤核心和增强肿瘤分别实现了0.9041、0.8350和0.7958的平均Dice评分以及4.953、6.299和23.608的Hausdorff距离(95%)。BraTS 2020测试数据集上的相应结果分别为Dice评分0.8729、0.8357和0.8205,Hausdorff距离11.4288、19.9690和15.6711。该代码可在https://github.com/shu-hai/two-stage-VAE-Attention-gate-BraTS2020上公开获取。
2020-11-28 cs.CV cs.LG eess.IV
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
Progressive Dual Priori Network for Generalized Breast Tumor Segmentation
Guizhou University(贵州大学);Harbin Medical University Cancer Hospital(哈尔滨医科大学附属肿瘤医院);Univ Lyon(里昂大学);INSA Lyon(里昂国立应用科学学院);CNRS(法国国家科学研究中心);Inserm(法国国家健康与医学研究院);CREATIS(CREATIS研究所)
本文提出PDPNet,通过粗分割定位、弱语义先验和跨尺度关联先验渐进细化DCE-MRI乳腺肿瘤分割,在多中心数据上显著提升小肿瘤、低对比度及不规则肿瘤的泛化分割性能。
2024-06-17 cs.CV cs.LG eess.IV
Improving 3D U-Net for Brain Tumor Segmentation by Utilizing Lesion Prior
University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校);University of California, Irvine(加利福尼亚大学欧文分校)
我们提出了一种新的,简单而有效的方法来整合病变先验和三维U-网络,以改善脑肿瘤分割。首先,我们利用一组患者的真实脑肿瘤病变来生成不同类型病变的热图。这些热图用于创建包含有关脑肿瘤病变的先验信息的感兴趣体积(VOI)图。然后将VOI图与多模态MR图像集成,并输入到3D U-Net进行分割。在一个公共基准数据集上对所提出的方法进行了测试,实验结果表明,所提出的特征融合方法较基线方法有了一定的改进。此外,我们提出的方法也实现了竞争力的性能相比,国家的最先进的方法。
2020-02-20 cs.CV cs.LG eess.IV
Brain Tumor Segmentation and Survival Prediction
Ahmedabad University(艾哈迈达巴德大学);Pandit Deendayal Petroleum University(潘迪特·迪恩达亚尔石油大学)
本文演示了在BraTS 2019数据集上使用全卷积神经网络进行胶质瘤分割。编码器部分采用三层深度编解码器结构,并采用密集连接,将信息从粗层传播到深层。该架构用于分别训练三个肿瘤子组件。子成分训练权重用整个肿瘤权重初始化以获得肿瘤在脑内的定位。最后,将三个分割结果进行融合,得到完整的肿瘤分割。对于整个肿瘤、肿瘤核心和增强肿瘤,具有焦点丢失实现的训练数据集的Dice相似性分别为0.92、0.90和0.79。放射组学特征以及分割结果和年龄用于预测患者的总体生存期,使用随机森林回归因子将患者的生存期分类为长期、中期和短期生存期类别。对于切除状态为大体全切除的扫描的训练数据集,报告了55.4%的分类准确率。
2019-09-20 cs.CV cs.LG eess.IV
Fully Automatic Brain Tumor Segmentation using a Normalized Gaussian Bayesian Classifier and 3D Fluid Vector Flow
University of Alberta(阿尔伯塔大学)
从磁共振图像(MRI)分割脑肿瘤是测量肿瘤对治疗的反应的重要任务。然而,自动分割非常具有挑战性。提出了一种基于归一化高斯贝叶斯分类和新的三维流体矢量流(FVF)算法的脑肿瘤自动分割方法。在我们的方法中,归一化高斯混合模型(NGMM)的建议,并用于健康的脑组织建模。利用高斯贝叶斯分类器从测试脑MR图像中获取高斯贝叶斯脑图(GBBM)。进一步处理GBBM以初始化3D FVF算法,该算法分割脑肿瘤。该算法有两个主要贡献。首先,我们提出了一个NGMM模型健康的大脑。其次,我们将我们的2D FVF算法扩展到3D空间,并将其用于脑肿瘤分割。所提出的方法是在一个公开的数据集上进行验证。
2019-05-01 cs.CV cs.LG cs.MM
Differential Privacy for Adaptive Weight Aggregation in Federated Tumor Segmentation
针对联邦脑肿瘤分割中的隐私风险,提出DP-SimAgg差分隐私相似性权重聚合算法,在保持分割性能的同时增强隐私保护并降低通信成本。
2025-10-08 cs.CR cs.LG eess.IV
Weakly Supervised Fine Tuning Approach for Brain Tumor Segmentation Problem
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所)
脑MRI图像中肿瘤的分割是一项具有挑战性的任务,其中最新的方法需要具有像素级注释的大量数据,这通常是昂贵的获得。相比之下,仅标记病变存在的图像级注释通常便宜,与像素级标签相比以大得多的体积生成,并且包含较少的标签噪声。在脑肿瘤分割的背景下,像素级和图像级注释通常都是可用的;因此,一个自然的问题是分割过程是否可以利用这两者。在本工作中,我们:1)提出一种基于学习的框架,该框架允许同时使用MRI图像中的像素级和图像级注释来学习脑肿瘤的分割模型; 2)研究像素级和图像级注释的比较量对脑肿瘤分割质量的影响; 3)将我们的方法与传统的全监督方法进行比较,并表明我们的方法在分割质量方面的性能可能具有竞争力。
2019-11-06 cs.CV cs.LG eess.IV
End-to-End Cascaded U-Nets with a Localization Network for Kidney Tumor Segmentation
Umeå University(于默奥大学);Eindhoven University of Technology(埃因霍温理工大学)
肾脏肿瘤分割是计算机视觉在医学成像领域的一个新的前沿。这部分是由于其具有挑战性的手动注释和巨大的医学影响。在2019年肾脏肿瘤分割挑战赛的范围内,该挑战赛的目标是结合肾脏和肿瘤分割,这项工作提出了一种新的3D U-Nets组合-统称为TuNet-利用所得的肾脏掩模进行连续的肿瘤分割。所提出的方法实现了肾脏的Sørensen-Dice系数得分为0.902,肿瘤分割为0.408,从数据中可用的210名患者的五倍交叉验证计算。
2019-10-16 cs.LG eess.IV stat.ML
Raidionics: an open software for pre- and postoperative central nervous system tumor segmentation and standardized reporting
SINTEF Digital(挪威科技工业研究院数字分院);Norwegian University of Science and Technology (NTNU)(挪威科技大学(NTNU));St. Olavs hospital, Trondheim University Hospital(特隆赫姆大学医院圣奥拉夫斯医院)
针对中枢神经系统肿瘤缺乏标准化自动分割与报告工具的问题,提出Raidionics开源软件,提供术前及术后肿瘤分割模型并生成标准化临床报告,在多种脑肿瘤类型上表现优异。
2023-04-28 cs.CV cs.LG eess.IV
Brain Tumor Synthetic Segmentation in 3D Multimodal MRI Scans
Shenzhen University(深圳大学);Islamic Azad University(伊斯兰阿扎德大学)
脑肿瘤的磁共振(MR)分析被广泛用于肿瘤亚区的诊断和检查。健康、增强、非增强和水肿区域的强度分布之间的重叠区域使得自动分割成为一项具有挑战性的任务。在这里,我们证明了在高对比度图像上训练的卷积神经网络可以改变其内部子区域中大脑病变的强度分布。具体而言,生成对抗网络(GAN)扩展到合成高对比度图像。这些合成图像和MR扫描中脑肿瘤组织的真实图像的比较显示出显著的分割改善,并减少了用于分割的真实通道的数量。合成图像被用作真实通道的替代品,并且可以绕过多模态脑肿瘤分割框架中的真实模态。在BraTS 2019数据集上的分割结果表明,我们提出的方法可以有效地分割肿瘤区域。最后,我们预测患者的生存时间的基础上的体积特征的肿瘤亚区,以及每个病例的年龄,通过几个回归模型。
2020-05-29 cs.LG eess.IV
Deep Learning with Mixed Supervision for Brain Tumor Segmentation
Inria Sophia Antipolis(索菲亚·安提波利斯国家信息与自动化研究所);Microsoft Research Cambridge(微软剑桥研究院)
目前最先进的肿瘤分割方法大多基于在手动分割图像上训练的机器学习模型。这种类型的训练数据特别昂贵,因为肿瘤的手动描绘不仅耗时而且需要医学专业知识。另一方面,具有提供的全局标记(指示肿瘤的存在或不存在)的图像信息较少,但可以以显著较低的成本获得。在本文中,我们建议使用两种类型的训练数据(完全注释和弱注释)来训练用于分割的深度学习模型。我们的方法的思想是扩展分割网络,增加一个执行图像级分类的分支。该模型针对分割和分类任务进行联合训练,以利用弱注释图像中包含的信息,同时防止网络学习与分割任务无关的特征。我们在BRATS 2018挑战赛的磁共振图像中对脑肿瘤分割的挑战性任务进行了评估。我们表明,所提出的方法提供了一个显着的改善分割性能相比,标准的监督学习。观察到的改善与可用于训练的弱注释和完全注释图像之间的比率成比例。
2018-12-10 cs.CV cs.LG eess.IV
A cascaded deep network for automated tumor detection and segmentation in clinical PET imaging of diffuse large B-cell lymphoma
University of British Columbia(不列颠哥伦比亚大学);BC Cancer Research Institute(不列颠哥伦比亚癌症研究所);BC Cancer(不列颠哥伦比亚癌症中心);BC Children’s Hospital(不列颠哥伦比亚儿童医院)
针对全身PET图像中DLBCL肿瘤手动分割效率低、依赖操作者的问题,提出三步级联深度学习模型,通过三个专用模块独立训练,将3D Dice得分从58.9%提升至78.1%,实现更高效准确的自动化肿瘤检测与分割。
2024-03-11 cs.CV cs.LG eess.IV
TuNet: End-to-end Hierarchical Brain Tumor Segmentation using Cascaded Networks
Umeå University(于默奥大学)
神经胶质瘤是最常见的脑肿瘤类型之一;它产生于人脑和脊髓中的神经胶质细胞。除了具有高死亡率之外,神经胶质瘤治疗也非常昂贵。因此,为了延长患者的存活率并降低治疗成本,从早期阶段进行自动和准确的分割和测量是至关重要的。在目前的工作中,我们提出了一种新的端到端级联网络用于语义分割,该网络利用肿瘤子区域的分层结构,在每个卷积和级联块之后具有ResNet样块和挤压和激励模块。通过利用交叉验证,平均集成技术,和一个简单的后处理技术,我们得到的骰子得分为88.06,80.84,和80.29,Hausdorff距离(第95百分位数)为6.10,5.17,和2.21,分别为整个肿瘤,肿瘤核心,和增强肿瘤,在在线测试集。
2019-11-25 cs.CV cs.LG eess.IV
A Joint Graph and Image Convolution Network for Automatic Brain Tumor Segmentation
Brown University(布朗大学);Brown Alpert Medical School(布朗大学阿尔珀特医学院)
我们提出了一个联合图卷积-图像卷积神经网络,作为我们提交给脑肿瘤分割(BraTS)2021挑战的文件。我们将每个大脑建模为由不同图像区域组成的图,该图最初由图神经网络(GNN)分割。随后,通过简单(体素)卷积神经网络(CNN)进一步细化由GNN识别的肿瘤体积,其产生最终分割。这种方法通过图形表示捕获全局大脑特征交互,并通过使用卷积滤波器捕获局部图像细节。我们发现GNN组件本身可以有效地识别和分割脑肿瘤。CNN的加入进一步提高了模型的中位数性能,在所有评估的指标中提高了2%。在验证集上,我们的联合GNN-CNN模型在整个肿瘤、核心肿瘤和增强肿瘤上分别实现了0.89、0.81、0.73的平均Dice评分和6.8、12.6、28.2 mm的平均Hausdorff距离(第95百分位数)。
2022-07-30 cs.CV cs.LG eess.IV