XiaoMi-AI文件搜索系统
World File Search System分割
nnUnetFormer：一种基于 nnUnet 和 Transformer 的多模态 MR 图像脑肿瘤分割自动方法
主要结果：我们通过 5 倍交叉验证在 BraTS 2021 数据集上评估了我们的方法，并取得了优异的性能，Dice 相似系数 (DSC) 为 0.936、0.921 和 0.872，Hausdorff 距离的第 95 百分位数 (HD95) 分别为整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 区域的 3.96、4.57 和 10.45，在平均 DSC 和平均 HD95 方面均优于近期最先进的方法。此外，消融实验表明，将 Transformer 融合到我们改进的 nnUnet 框架中可以提高脑肿瘤分割的性能，尤其是对于 TC 区域。此外，为了验证我们方法的泛化能力，我们进一步在 FeTS 2021 数据集上进行了实验，并在 11 个看不见的机构上取得了令人满意的分割性能，其中 WT、TC 和 ET 区域的 DSC 分别为 0.912、0.872 和 0.759，HD95 分别为 6.16、8.81 和 38.50。
使用...进行脑肿瘤分割和分类
I. 简介 脑肿瘤是医学上的一大难题，需要精确的分割和分类来优化诊断和治疗。从历史上看，这些关键问题在很大程度上依赖于医务人员的手动决策，充满时间限制、观察者之间的差异以及越来越大的人类疲劳影响准确性的风险。尽管如此，机器学习的乐观声音，更具体地说是深度学习技术的出现，似乎将脑肿瘤分析引向了辉煌的前景。本研究旨在了解 U-Net 架构在脑分割和肿瘤分类中的作用，同时通过准确、高效和可重复的解决方案彻底改变该领域。借助深度学习，该研究希望克服与手动分析方法和响应式自动化流程相关的不足，这些流程可以持续训练以提供正确的结果。选择 U-Net 架构是一个明智的决定，因为它在生物医学图像分割任务中取得了成功，并且在描绘高级语义特征和细粒度空间映射方面具有固有优势
使用 3D U-Net 自动分割术中超声图像中的脑肿瘤
由于神经外科手术期间大脑会变形，因此可以使用术中成像来可视化大脑结构的实际位置。这些图像用于图像引导导航以及确定切除是否完整并定位剩余的肿瘤组织。术中超声 (iUS) 是一种便捷的模式，采集时间短。然而，由于噪音和伪影，iUS 图像难以解释。特别是，肿瘤组织很难与健康组织区分开来，并且很难在 iUS 图像中划定肿瘤的界限。在本文中，我们提出了一种使用 2-D 和 3-D U-Net 在 iUS 图像中自动分割低级别脑肿瘤的方法。我们对网络进行了三重训练，每重有 12 个训练案例和 5 个测试案例。获得的结果很有希望，中位 Dice 得分为 0.72。估计分割和真实分割之间的体积差异与评分者内部体积差异相似。虽然这些结果是初步的，但它们表明深度学习方法可以成功应用于术中图像中的肿瘤分割。
使用贝叶斯上下文树对离散数据的更改点检测和分割
引入了一个新的贝叶斯建模框架，用于分段均匀变量 - 内存马尔可夫链，以及一系列有效的算法工具，用于更改点检测和离散时间序列的分割。建立在最近引入的贝叶斯上下文树（BCT）框架上，离散时间序列中不同片段的分布描述为可变内存马尔可夫链。对变化点的存在和位置的推断。促进有效抽样的关键观察者是，可以精确地计算数据的每个段中的先前预测可能性（在所有模型和参数上平均）。这使得可以直接从变更点的数量和位置的后验分布中进行采样，从而导致准确的估计，并提供结果中不确定性的自然定量度量。也可以以其他额外的计算成本来获得每个细分市场中实际模型的估计。对模拟和现实世界数据的结果表明，所提出的方法是强大的，并且表现效果也不如先进的技术。
改进的Pix2Pix生成对抗网络模型，以增强甲状腺结节分割
摘要 - 甲状腺结节是一种病变，医生通常需要高级诊断工具来检测和进行后续诊断。有监督的深度学习技术，尤其是生成的对抗网络（GAN），已被用来提取基本特征，检测结节并生成甲状腺面膜。但是，由于识别癌症区域和训练模式崩溃的高成本，这些方法在获得培训数据方面面临重大挑战。因此，本研究提出了一个GAN模型的改进，即用于甲状腺结节分割的像素到像素（Pix2Pix）模型，在该模型中，将发生器与监督损失功能合并，以解决GAN训练期间的不稳定性。该模型使用了具有u-Net体系结构启发的编码码头结构的生成器来产生掩码。该模型的歧视者由多层卷积神经网络（CNN）组成，以比较真实和生成的面具。此外，使用三个损失函数，即二进制跨透明镜丢失，软骰子丢失和jaccard损失，并结合损失gan来稳定GAN模型。基于结果，提出的模型从超声甲状腺结节图像中实现了97％的癌症区域检测准确性，并使用稳定模型对其进行了分割，其发电机损耗函数值为0.5。简而言之，这项研究表明，与半监视分割模型相比，改进的PIX2PIX模型在结节分割精度方面产生了更大的灵活性。关键字 - 甲状腺结节分割，超声图像，深度学习，生成对抗网络，pix2pix，损失功能
已发布版本的引用 (APA)：Piri, R., Edenbrandt, L., Larsson, M., Enqvist, O., Nøddeskou-Fink, A. H., Gerke, O., & Høilund-Carlsen, P. F. (2022)。18F-氟化钠 PET/CT 扫描中的主动脉壁分割：基于人工智能与手动分割的头对头比较。《核心脏病学杂志》：美国核心脏病学会官方出版物，29(4)，2001-2010。 https://doi.org/10.1007/s12350-021-02649-z
作者完整列表： Piri, Reza；奥登斯大学医院，核医学系；南丹麦大学，临床研究 Edenbrandt, Lars；哥德堡大学，分子与临床医学系，医学研究所，萨尔格伦斯卡学院 Larsson, Måns；Eigenvision AB Enqvist, Olof；Eigenvision AB；查尔姆斯理工大学，电气工程系 Nøddeskou-Fink , Amalie；奥登斯大学医院，核医学系 Gerke, Oke；奥登斯大学医院，系。核医学；南丹麦大学，系。临床研究 Høilund-Carlsen, Poul；奥登斯大学医院，核医学系
CellSeg3d：荧光显微镜的自我监督3D细胞分割
了解细胞的复杂三维结构在生物学的许多学科中至关重要，尤其是在神经科学中。在这里，我们介绍了一组模型，包括3D变压器（Swinuneter）和一种新颖的3D自我监督学习方法（WNET3D），旨在解决生成3D地面真相数据和量化3D卷的核的固有复杂性。我们开发了一个名为CellSeg3d的Python软件包，该软件包在Jupyter笔记本和Napari GUI插件中提供了对这些模型的访问。认识到高质量的3D地面真相数据的稀缺性，我们创建了一个完全被人类宣传的中膜数据集，以提高该领域的评估和基准测试。为了评估模型性能，我们在四个不同的数据集中进行了测试：新开发的MesoSpim数据集，一个3D Platynereis-ish-Nuclei共聚焦数据集，一个单独的3D Platynereis-Nuclei灯光数据集，以及一个具有挑战性且具有挑战性和密集包装的Mouse-Skull-Nucleii colderii coldasaset。我们证明，我们的自我监管模型WNET3D（未经任何地面真相标签训练）以最先进的监督方法来实现绩效，为在标签式生物学环境中更广泛的应用铺平了道路。
secbnet：光学卫星图像的语义分割增强色彩平衡网络
摘要 - 地球观察卫星可以在不同的时间，气候条件和平台形式下捕获光学图像，在颜色和亮度上表现出很大的差异，在合成大面积光学卫星图像时会导致视觉体验差。相关的颜色平衡问题引起了研究人员的极大关注，但诸如缺乏研究数据和对模型参数的敏感性之类的挑战持续存在。为了解决这些问题，本文发布了一个公开开放的数据集，并提出了语义细分增强色彩平衡网络（SECBNET）。首先，为了减轻研究数据的稀缺性，我们开发了一个公共可用的遥感图像颜色平衡数据集，Zhu hai色彩平衡图像（ZHCBI），以支持相关的研究活动。第二，为了提高颜色平衡图像和目标图像之间的语义一致性，我们设计了以分割结果为指导的双分支U-NET架构，并提出了一种新颖的分割特征损失函数。最后，为了解决分段处理中块之间的接缝问题和不自然的过渡，我们引入了一个基于加权平均的后处理模块。我们对ZHCBI数据集上的现有主流颜色平衡算法进行了比较实验和分析。结果表明，与其他主流方法相比，我们所提出的方法可实现最先进的颜色平衡质量，并具有显着改善的视觉效果和更高的峰信噪比（PSNR）（23.64 dB）。
spt：交互式图像分割的序列提示变压器
摘要 - Interactive分割旨在根据用户提供的点击从图像中提取感兴趣的对象。在现实世界应用中，通常需要分割一系列具有相同目标对象的图像。但是，现有方法通常一次处理一个图像，未能考虑图像的顺序性质。为了克服这一限制，我们提出了一种称为序列提示变压器（SPT）的新方法，该方法是第一个利用顺序图像信息进行交互式分割的方法。我们的模型包括两个关键组成部分：（1）序列提示变压器（SPT），用于从图像，点击和掩码序列中获取信息以提高准确的信息。（2）TOP-K提示选择（TPS）选择SPT的精确提示，以进一步增强分割效果。此外，我们创建ADE20K-SEQ基准测试，以更好地评估模型性能。我们在多个基准数据集上评估了我们的方法，并表明我们的模型超过了所有数据集的最新方法。索引项 - 计算机视觉，交互式图像分割