XiaoMi-AI文件搜索系统
World File Search SystemBraTS
BraTS 工具包：将 BraTS 脑肿瘤分割算法转化为临床和科学实践
尽管脑肿瘤分割取得了巨大进步，临床需求也十分明确，但将最先进的计算方法转化为临床常规和科学实践仍然是一项重大挑战。有几个因素阻碍了成功实施，包括数据标准化和预处理。然而，这些步骤对于部署最先进的图像分割算法至关重要。为了克服这些问题，我们提出了 BraTS 工具包。BraTS 工具包是一种整体的脑肿瘤分割方法，由三个部分组成：首先，BraTS 预处理器为研究人员和临床医生提供数据标准化和预处理。它涵盖了肿瘤分割之前的整个图像分析工作流程，从图像转换和配准到脑提取。其次，BraTS Segmentor 支持对 BraTS 脑肿瘤分割算法进行编排，以生成全自动分割。最后，Brats Fusionator 可以使用多数投票和迭代 SIMPLE 融合等融合方法将生成的候选分割组合成共识分割。我们通过实际示例说明了工具的功能，以便轻松转化为临床和科学实践。
探索Brats Dataset上神经胶质瘤等级分类的放射学标准
∗ xlim laboratory, 11 bd Marie and Pierre Curie, 86360 Chasseneuil-du-Poitou, France email address: Paul.dequidt@univ-poitiers.fr (Paul Dequidt) 1 Xlim Laboratory, UMR CNRS 7252, University of Poitiers, Poitiers, France 2 Dactim-Mise, LMA, UMR CNRS 7348法国POITIERS，POITIERS，POITIERS 3西门子医疗保健SAS，圣丹尼斯，法国4公共实验室CNRS-SIEMENS I3M 5M 5 5号5M 5号放射科，圣艾蒂安大学，法国圣维蒂安，法国6号，6 Chru de Tours，Chru De Tours，UMR 1253 Ibrain，Inserm tours，Inserm，Inserm，Inserm torem，inserm tormer，Iserm tormer，Inserm tore omer，inserm tours，inserm torem，inserm torem，con Picardie，Picardie Jules Verne大学（UPJV）
确定 BRATS Ch 中脑肿瘤分割、进展评估和总体生存预测的最佳机器学习算法
Spyridon Bakas 1 , 2 , 3 , † , ‡ , ∗ , Mauricio Reyes 4 , † , Andras Jakab 5 , † , ‡ , Stefan Bauer 4 , 6 , 169 , † , Markus Remp , 19 , † , Alessandro Crimi 7 , † , Russell Takeshi Shinohara 1 , 8 , † , Christoph Berger 9 , † , Sung Min Ha 1 , 2 , † , Martin Rozycki 1 , 2 , † , Marcel Prastawa 10 , Alberts , 19 , 6 7 , † , Jana Lipkova 9 , 65 , 127 , † , John Freymann 11 , 12 , ‡ , Michel Bilello 1 , 12 , ‡ , Hassan M. Wishal-Shallah , 13 . 4 , 6 , ‡ , Jan Kirschke 126 , ‡ , Benedikt Wiestler 126 , ‡ , Rivka Colen 14 , ‡ , Aikaterini Kotrotsou 14 , ‡ , Pamela Lamontagne 15 , ‡ , Michael 17 , Michael il Milchenko 16 , 17 , ‡ , Arash Nazeri 17 , ‡ , Marc-Andr Weber 18 , ‡ , Abhishek Mahajan 19 , ‡ , Ujjwal Baid 20 , ‡ , Elizabeth Gerstner , 12 , 12 , Dong Jin 2 , † , Gagan Acharya 107 , Manu Agarwal 109 , Mahbubul Alam 33 , Alberto Albiol 34 , Antonio Albiol 34 , Francisco J. Albiol 35 , Varghese Alex 107 , Nigel Allinson 143 , Pedro 15 , Amharim HA 107 , Amharic 197 07 , Simon Andermatt 152 , Tal Arbel 92 , Pablo Arbelaez 134 , Aaron Avery 60 , Muneeza Azmat 62 , Pranjal B. 107 , Wenjia Bai 128 , Subhashis Banerjee 36 , 37 , Bill Barth 2 , Thomas Batchelman , 83 , Enzo Battistella 42 , 43 , Andrew Beers 123 , 124 , Mikhail Belyaev 137 , Martin Bendszus 23 , Eze Benson 38 , Jose Bernal 40 , Halandur Nagaraja Bharath 141 , George Biros 62 das , Sotirios Maria Cabe 123 , James Cabe 123 zas 40 , Shilei Cao 67 , Jorge M. Cardoso 76 , Eric N Carver 41 , Adri Casamitjana 138 , Laura Silvana Castillo 134 , Marcel Cat 138 , Philippe Cattin 152 , Albert C´erigues 40 , Vini Chagas , 49 , Siddha Yidd . u Chang 45 , Shiyu Chang 156 , Ken Chang 123 , 124 , Joseph Chazalon 29 , Shengcong Chen 25 , Wei Chen 46 , Jefferson W Chen 80 , Zhaolin Chen 130 , Kun Cheng 120 , Ahana Roy Roy 47 , Albert Church 40 , Steven Colleman 141 , Ramiro German Rodriguez Colmeiro 149 , 150 , 151 , Marc Combalia 138 , Anthony Costa 122 , Xiaomeng Cui 115 , Zhenzhen Dai 41 , Lutao Dai 50 , Laura Alexandra 43 , Eric Dingschang 25 , Chao Dong 65 , Shidu Dong 155 , Wojciech Dudzik 71 , 72 , Zach Eaton-Rosen 76 , Gary Egan 130 , Guilherme Escudero 159 , Tho Estienne 42 , 43 , Richard Everson , Fanat 27 , Jonathan , 29 , Longwei Fang 54 , 55 , Xue Feng 27 , Enzo Ferrante 128 , Lucas Fidon 42 , Martin Fischer 95 , Andrew P. French 38 , 39 , Naomi Fridman 57 , Huan Fu 90 , David Fuentes 58 , Yao Evan Gates , 68 , 68 Amir Gholami 61 , Willi Gierke 95 , Ben Glocker 128 , Mingming Gong 88 , 89 , Sandra Gonzlez-Vill 40 , T. Grosges 151 , Yuanfang Guan 108 , Sheng Guo 64 , Sudeep Gupta 19 , Wong Han Song 63 , Konstantin Harmuth 95 , Huiguang He 54 , 55 , 56 , Aura Hernndez-Sabat 100 , Evelyn Herrmann 102 , Naveen Himthani 62 ,Winston Hsu 111 , Cheyu Hsu 111 , Xiaojun Hu 64 , Xiaobin Hu 65 , Yan Hu 66 , Yifan Hu 117 , Rui Hua 68 , 69 , Teng-Yi Huang 45 , Weilin Huang Huve 64 H V014 Van , Khan M. Iftekharuddin 33 , Fabian Isensee 22 , Mobarakol Islam 81 , 82 , Aaron S. Jackson 38 , Sachin R. Jambawalikar 48 , Andrew Jesson 92 , Weijian Jian 119 , June Kan Marian 37 , V z 128 , Konstantinos Kamnitsas 128 , Po-Yu Kao 79 , Ayush Karnawat 129 , Thomas Kellermeier 95 , Adel Kermi 74 , Kurt Keutzer 61 , Mohamed Tarek Khadir 75 , Mahendra Kheneder 06 Philipp 107 , , Haley Knapp 60 , Urspeter Knecht 4 , Lisa Kohli 60 , Deren Kong 64 , Simon Koppers 32 , Avinash Kori 107 , Ganapathy Krishnamurthi 107 , Kushibar 13 Karivov 4 Dmitrii Lachinov 84 , 85 , Tryphon Lambrou 143 , Joon Lee 41 , Chengen Lee 111 , Yuehchou Lee 111 , Matthew Chung Hai Lee 128 , Szidonia Lefkovits 96 , Laszlo Lef7 6 iHongwet 9 65 , Wenqi Li 76 , 77 , Hongyang Li 108 , Xiaochuan Li 110 , Yuexiang Li 133 , Heng Li 51 , Zhenye Li 146 , Xiaoyu Li 67 , Zeju Li 158 , XiaoGang Li 158 , XiaoGang Li 45 , Fengming Lin 115 , Pietro Lio 153 , Chang Liu 41 , Boqiang Liu 46 , Xiang Liu 67 , Mingyuan Liu 114 , Ju Liu 115 , 116 , Luyan Liu 112 , Maro 4 Llad
引用出版物（APA）：Pernet，C.，Garrido，M.I.，Gramfort，A.，Maurits，N.，M.，Pang，E.
摘要 - MRI的自动脑肿瘤分割（BRAT）在诊断和治疗脑肿瘤中起关键作用。尽管3D U-NET达到最新的核心结果，但由于需要具有高记忆力的高端GPU，其临床使用受到限制。为了解决限制，我们利用几种技术来自定义基于2D U-NET的内存有效但策划的深层框架。在框架中，同时多标签肿瘤分割分解为顺序单标签（二进制）分割任务的融合。除了减少内存消耗外，它还可以提高分割精度，因为每个U-net都集中在子任务上，比整个Brats分割任务更简单。还采用了多模式MRI和批处理骰子损失功能的广泛数据增强，以进一步提高概括精度。对Brats 2020的实验表明，我们的框架几乎可以实现最先进的结果。在测试集中，完成了整个肿瘤，肿瘤核心和增强肿瘤的0.905、0.903和0.822的diCe评分。此外，我们的自定义框架可在预算GPU上执行，最低要求仅2G RAM。临床相关性 - 我们开发了一种记忆有效的深脑肿瘤分割工具，该工具可显着减少肿瘤分割的硬件需求，同时保持可比的准确性和时间。这些优点使我们的框架适合在临床应用中广泛使用，尤其是在低收入地区。我们计划将框架作为自由临床大脑成像分析工具的一部分释放。该框架的代码公开可用：https：//github.com/nima-hs/brats。
及术后胶质瘤分割
材料和方法数据描述本研究已获得我们机构研究伦理委员会的批准。手动分割的脑胶质瘤的真实 MRI 成像数据包括来自脑肿瘤分割 (BraTS) 2019 开放存取库的 335 例（259 例高级别胶质瘤 [HGG] 和 76 例低级别胶质瘤 (LGG)）术前病例，以及来自我们当地医疗中心的另外 102 例病例，其中包括 62 例术后病例（52 例 HGG、10 例 LGG）和 40 例术前病例（30 例 HGG、10 例 LGG）。术后病例包括通常在初次切除后 3 个月及以后开始的随访 MRI，这些随访分别作为术后临床基线和用于跟踪疾病进展/复发。不包括术后立即（手术后 48 小时内）进行的任何扫描。自 2012 年成立以来，与医学图像计算和计算机辅助干预会议联合组织的 BraTS 已经评估用于脑 MRI 上胶质瘤体积分割的机器学习模型。BraTS 多机构国际数据集包括来自 19 个独立机构的数据，被广泛用作基准，包含跨多个供应商和机器手动分割的术前 HGG 和 LGG。7、15、16 来自我们当地机构的数据集与 BraTS 数据不重叠（我们的机构不是最初为 BraTS 数据集做出贡献的站点之一）并且由根据世界卫生组织标准（2007 年或 2016 年标准，取决于病例发生在 2016 年之前还是之后）经组织学证实的 II - IV 级胶质瘤组成。由于这些数据与原始 BraTS 数据是分开的，因此我们在此将这些数据称为本地数据集。每个胶质瘤病例由 4 个不同的序列组成（T1 对比前、T1 对比后 [T1ce]、T2 和 T2-FLAIR）。从本地数据集中随机选取 20 例术前病例和 20 例术后病例进行测试。其余 397 例病例按 80:20 的比例随机分配到训练数据集和验证数据集中。
YOLO 物体检测器和 Inception-V3 卷积神经网络用于改善脑肿瘤分割
对于一系列医学分析应用，脑肿瘤定位和从磁共振成像 (MRI) 中分割脑肿瘤是一项具有挑战性但至关重要的工作。许多最近的研究包括四种模式：即 T1、T1c、T2 和 FLAIR，这是因为每个肿瘤致病区域都可以通过每种脑成像模式进行详细检查。尽管 BRATS 2018 数据集给出了令人印象深刻的分割结果，但结果仍然更复杂，需要更多的测试和更多的训练。这就是为什么本文建议在整幅图像之外的一小部分图像上操作预处理策略，因为这样才能创建一个有效且灵活的脑肿瘤分割系统。在第一阶段，使用不同的分类器（如决策树、SVM、KNN 等）开发集成分类模型，使用小部分的策略将图像分类为肿瘤和非肿瘤类，可以完全解决过度拟合问题并减少使用 inceptionv3 CNN 特征的 YOLO 对象检测器模型中的处理时间。第二阶段是推荐一种高效且基本的级联 CNN (C-ConvNet/C-CNN)，因为我们处理每个切片中脑图像的一小部分。级联卷积神经网络模型以两种独立的方式提取可学习的特征。在 BRATS 2018、BRATS 2019 和 BRATS 2020 数据集上，对所提出的肿瘤定位框架进行了广泛的实验任务。三个数据集的 IoU 得分分别为 97%、98% 和 100%。本文详细讨论并介绍了其他定性评估和定量评估。
基于 YOLOv2 和卷积神经网络的 MRI 脑肿瘤分析改进框架
摘要 脑肿瘤是一组异常细胞。大脑被包裹在更坚硬的头骨中。异常细胞生长并引发肿瘤。由于肿瘤形状不规则，肿瘤检测是一项复杂的任务。所提出的技术包含四个阶段，即病变增强、特征提取和选择以进行分类、定位和分割。磁共振成像 (MRI) 图像由于某些因素（例如图像采集和磁场线圈的波动）而带有噪声。因此，使用同态小波滤波器进行降噪。然后，使用非支配排序遗传算法 (NSGA) 从 inceptionv3 预训练模型中提取特征并选择信息特征。优化的特征被转发进行分类，之后肿瘤切片被传递到为肿瘤区域定位而设计的 YOLOv2-inceptionv3 模型，以便从 inceptionv3 模型的深度连接 (mixed-4) 层提取特征并提供给 YOLOv2。将定位图像传递给 McCulloch 的 Kapur 熵方法以分割实际肿瘤区域。最后，在三个基准数据库 BRATS 2018、BRATS 2019 和 BRATS 2020 上验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位、分割和分类中取得了 0.90 以上的预测分数。此外，与现有方法相比，分类和分割结果更优。
SLF-UNET：通过合并空间和低频域特征
抽象的基于深度学习的方法在脑肿瘤图像分割中表现出色。但是，缺乏使用图像的频域特征来解决脑肿瘤病变的研究。为了使这一差距变化，本文提出了改进的网络SLF-UNET，这是一种二维编码器架构结构，结合了基于U-NET的空间和低频域特征。提出的模型有效地从空间和频域中学习信息。在此，我们通过在高频区域中使用零填充，并将卷积操作的一部分与卷积块相结合，从而结合了空间频域特征，并将卷积操作的一部分放置。我们的实验结果表明，我们的方法的表现优于Brats 2019和Brats 2020数据集的当前主流方法。
使用扩展维纳和拉普拉斯算子进行脑肿瘤分割
Zhao 等 [45] 2013 年基准 BRATS 数据 Patch-wise 卷积神经网络 总体 (0.81) 准确率 Manic 等 [46] 阐述了基于萤火虫的灰度图像分割方法
改进了基于yolov2和卷积神经网络MRI的脑肿瘤分析的改进框架
抽象脑肿瘤是一组异常细胞。大脑被封闭在更刚性的头骨中。异常细胞生长并开始肿瘤。检测肿瘤是由于不规则的肿瘤形状而成为复杂的任务。所提出的技术包含四个阶段，这些阶段是病变增强，特征提取和用于分类，定位和分割的选择。磁共振成像（MRI）图像由于某些因素（例如摄取图像和磁场线圈波动）而嘈杂。因此，使用同态小波档案进行降噪。后来，使用非主导的排序遗传算法（NSGA）选择了InceptionV3预训练模型中提取的特征和信息特征。将优化的特征转发用于分类，然后将肿瘤切片传递给Yolov2-InceptionV3模型，设计用于肿瘤区域的定位，从而从深度偶联（混合-4）层的IntectionV3模型中提取特征并提供给Yolov2。将局部图像传递给麦卡洛克的卡普尔熵方法，以分割实际的肿瘤区域。最后，在三个基准数据库2018，Brats 2019和Brats 2020中验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位，分割和分类中获得的预测得分大于0.90。此外，与现有方法相比，分类和分割结果优越。