XiaoMi-AI文件搜索系统
World File Search SystemBRATS2017
用于脑肿瘤分割的全自动深度学习网络
我们开发了一种使用深度学习进行脑肿瘤分割的全自动方法；使用了来自 BraTS2018 数据集的 285 个具有多参数磁共振图像的脑肿瘤病例。我们设计了 3 个独立的 3D-Dense-UNets，将复杂的多类分割问题简化为每个子组件的单独二元分割问题。我们实施了 3 倍交叉验证来推广网络的性能。整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 分割的平均交叉验证 Dice 分数分别为 0.92、0.84 和 0.80。然后，我们使用 285 个病例中的 265 个重新训练各个二元分割网络，其中 20 个病例用于测试。我们还在来自 BraTS2017 验证数据集的 46 个病例、来自 BraTS2018 验证数据集的 66 个病例和来自独立临床数据集的 52 个病例上测试了该网络。在 20 个保留测试用例中，WT、TC 和 ET 的平均 Dice 分数分别为 0.90、0.84 和 0.80。在 BraTS2017 验证数据集、BraTS2018 验证数据集和临床数据集上，WT、TC 和 ET 的平均 Dice 分数分别为：0.90、0.80 和 0.78；0.90、0.82 和 0.80；以及 0.85、0.80 和 0.77。开发了一种全自动深度学习方法将脑肿瘤分割成其子成分，该方法在 BraTS 数据集和独立临床数据集上实现了高预测准确率。该方法有望应用于临床工作流程。
用于脑胶质瘤分割的上下文感知网络
摘要 — 脑胶质瘤的自动分割在诊断决策、进展监测和手术计划中起着积极的作用。基于深度神经网络，先前的研究表明了有前途的脑胶质瘤分割技术。然而，这些方法缺乏强有力的策略来结合肿瘤细胞及其周围环境的背景信息，这已被证明是处理局部模糊性的基本线索。在这项工作中，我们提出了一种用于脑胶质瘤分割的新方法，称为上下文感知网络 (CANet)。CANet 使用来自卷积空间和特征交互图的上下文捕获高维和判别特征。我们进一步提出了上下文引导的注意条件随机场，它可以选择性地聚合特征。我们使用可公开访问的脑胶质瘤分割数据集 BRATS2017、BRATS2018 和 BRATS2019 来评估我们的方法。实验结果表明，在训练和验证集上，所提算法在不同分割指标下比几种最先进的方法具有更好或更具竞争力的性能。
用于脑肿瘤检测和分割的多任务上下文空洞残差网络
摘要 —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中取得了最佳性能，包括脑肿瘤分割。我们发现，分割脑肿瘤面临着数据不平衡的问题，即属于背景类（非肿瘤像素）的像素数量远大于属于前景类（肿瘤像素）的像素数量。为了解决这个问题，我们提出了一个级联结构的多任务网络。我们的模型包含两个目标，即（i）有效区分脑肿瘤区域和（ii）估计脑肿瘤掩模。第一个目标由我们提出的上下文脑肿瘤检测网络执行，该网络起到注意力门的作用，只关注脑肿瘤周围的区域，而忽略与肿瘤相关性较小的远邻背景。与处理每个像素的其他现有物体检测网络不同，我们的上下文脑肿瘤检测网络只处理真实实例周围的上下文区域，这种策略旨在产生有意义的区域提议。第二个目标建立在 3D 空洞残差网络和编码解码网络之下，以便有效地分割大物体和小物体（脑肿瘤）。我们的 3D 空洞残差网络采用跳跃连接设计，使深层的梯度能够直接传播到浅层，从而保留不同深度的特征并用于相互细化。为了从体积 MRI 数据中整合更大的上下文信息，我们的网络利用具有各种内核大小的 3D 空洞卷积，从而扩大了滤波器的感受野。我们提出的网络已经在包括 BRATS2015、BRATS2017 和 BRATS2018 数据集在内的各种数据集上进行了评估，包括验证集和测试集。我们的性能已通过基于区域的指标和基于表面的指标进行了基准测试。我们还与最先进的方法进行了比较。1