XiaoMi-AI文件搜索系统
World File Search SystemBraTS
![arxiv：2012.15318v1 [eess.iv] 2020年12月30日](/simg/7\7371e2d3d1855378e227bef0191c9de17a2e6d4c.webp)
arxiv：2012.15318v1 [eess.iv] 2020年12月30日
摘要。在本文中，我们提出了一个混合高分辨率和非局部特征网络（H 2 NF-NET），以分割多模态MR图像中的脑肿瘤。我们的H 2 NF-NET使用单个和级联的HNF-NET来分割不同的脑肿瘤子区域，并将预定剂结合在一起作为最终分割。我们培训并评估了我们的模型关于多模式脑肿瘤分割挑战（BRATS）2020数据集。The results on the test set show that the combination of the single and cascaded models achieved average Dice scores of 0.78751, 0.91290, and 0.85461, as well as Hausdorffdistances (95%) of 26.57525, 4.18426, and 4.97162 for the enhancing tumor, whole tumor, and tumor core, respectively.我们的方法赢得了近80名参与者的Brats 2020挑战细分任务的第二名。
使用卷积神经网络进行脑肿瘤分割
2018 年脑肿瘤分割 (BraTS) 挑战赛中的 MR 图像数据集包含 285 张胶质瘤患者图像，用于训练 Mask R-CNN 模型。Mask R-CNN 架构通过最小化多方面目标函数来为图像内的每个感兴趣区域派生掩码、边界框和标签。我们使用 90% 的 BraTS 数据进行网络训练，5% 用于验证，5% 用于测试。由于训练 Mask R-CNN 模型的计算要求很高，因此使用罗文大学的高性能计算机 (HPC) 进行大部分实验。该模型使用 4 个 NVIDIA Tesla K20m GPU 进行训练，并采用多线程技术来加速将数据加载到内存中的过程。
利用位置信息改进基于块的卷积神经网络进行 MRI 脑肿瘤分割
手动脑肿瘤注释过程耗时耗力，因此，对自动化、精准的脑肿瘤分割工具的需求十分巨大。在本文中，我们介绍了一种新方法，将位置信息与最先进的基于块的神经网络相结合，用于脑肿瘤分割。这是基于以下观察结果：病变并非均匀分布在不同的脑分区区域中，而局部敏感的分割可能会获得更好的分割精度。为此，我们使用蒙特利尔神经研究所 (MNI) 空间中现有的脑分区图谱，并将该图谱映射到单个受试者数据。受试者数据空间中的映射图谱与结构磁共振 (MR) 成像数据相结合，并训练基于块的神经网络（包括 3D U-Net 和 DeepMedic）对不同的脑病变进行分类。在提出的两级集成方法中，训练了多个最先进的神经网络并将其与 XGBoost 融合相结合。第一级通过不同的种子初始化来降低同一类型模型的不确定性，第二级利用不同类型的神经网络模型的优势。所提出的位置信息融合方法提高了包括 3D U-Net 和 DeepMedic 在内的最先进网络的分割性能。与 BraTS 2017 中最先进的网络相比，我们提出的集成还实现了更好的分割性能，并与 BraTS 2018 中最先进的网络相媲美。在公共多模态脑肿瘤分割 (BraTS) 基准上提供了详细结果。
使用残留U- ...
摘要 - 图像分割被认为是从图像中提取有用信息的本质任务之一。鉴于脑肿瘤及其对医疗资源的消耗，此处说明了MRI的深度学习方法分割患者MRI的脑肿瘤。脑肿瘤分割技术对于检测和治疗MRI脑肿瘤至关重要。此外，它可以帮助医生定位和测量肿瘤，并制定治疗和康复计划。基于剩余的U-NET ++编码器架构的架构被设计为主要网络，它是一种在Resu-Net和U-Net ++之间杂交的体系结构。针对最新且众所周知的全球基准挑战，提出的剩余U-NET ++适用于MRI脑图像：Brats 2017，Brats 2019和Brats2021。根据脑肿瘤MRI图像评估所提出的方法。具有骰子相似性系数（DSC）的BRAST 2021数据集的结果为90.3％，灵敏度为96％，特异性为99％，Hausdorff距离（HD）为9.9。使用Brast 2019数据集，DSC为89.2％，灵敏度为96％，特异性为99％，HD为10.2。使用Brast 2017数据集，DSC为87.6％，灵敏度为94％，特异性为99％，HD为11.2。此外，残留的U-NET ++的表现优于标准的脑肿瘤分割方法。实验结果表明，所提出的方法是有希望的，可以比标准U-NET提供更好的分割。细分改进可以帮助放射科医生提高其放射科医生分割的准确性，并节省3％的时间。
![arxiv：2003.13653v3 [CS.CV] 2020年11月26日](/simg/1\162a7bf0dc00e22076b28e9894d902f162542492.webp)
arxiv：2003.13653v3 [CS.CV] 2020年11月26日
摘要。神经胶质瘤是最常见的原发性脑恶性肿瘤，具有不同程度的侵略性，可变的预后和各种异质性组织学子区域，即周围肿瘤性水肿，坏死性核心，增强和非增强的肿瘤核心。尽管可以使用多模式MRI轻松检测到脑部，但准确的肿瘤分割是一项艰巨的任务。因此，使用Brats Challenge 2020提供的数据，我们提出了一个3D体积到体积的对逆向网络，用于分割脑肿瘤。该模型称为Vox2Vox，从多通道3D MR图像产生现实的分割输出，将平均值为87.20％，81.14％和78.67％的整体，核心和增强肿瘤作为骰子分数为币和6.44毫米，24.36mm，以及距离为6.95mm，以及距离为6.95mm，以及距离为6.95毫米，均为95毫米，均为95毫米，均为95毫米。通过10倍交叉验证获得的Vox2Vox模型。
使用深度胶囊网络和潜在动态条件随机场进行脑肿瘤分割
摘要：由于脑肿瘤差异性很大，自动分割仍然是一项艰巨的任务。我们提出了一种通过整合深度胶囊网络 (CapsNet) 和潜在动态条件随机场 (LDCRF) 来自动分割脑肿瘤的方法。该方法包括三个主要过程来分割脑肿瘤——预处理、分割和后处理。在预处理中，N4ITK 过程涉及在归一化强度之前校正每个 MRI 图像的偏置场。之后，在分割过程中使用图像块来训练 CapsNet。然后，在确定 CapsNet 参数后，我们使用轴向视图中的图像切片来学习 LDCRF-CapsNet。最后，我们使用一种简单的阈值方法来校正某些像素的标签，并从分割结果中删除小的 3D 连通区域。在 BRATS 2015 和 BRATS 2021 数据集上，我们训练并评估了我们的方法，发现它表现优异，可以在类似条件下与最先进的方法相媲美。
Vox2Vox：用于脑肿瘤分割的 3D-GAN
摘要。神经胶质瘤是最常见的原发性脑恶性肿瘤，具有不同程度的侵袭性、不同的预后和各种异质性组织学亚区，即肿瘤周围水肿、坏死核心、增强和非增强肿瘤核心。虽然使用多模态 MRI 可以轻松检测脑肿瘤，但准确的肿瘤分割是一项具有挑战性的任务。因此，利用 BraTS Challenge 2020 提供的数据，我们提出了一种 3D 体积到体积生成对抗网络来分割脑肿瘤。该模型名为 Vox2Vox，它从多通道 3D MRI 图像中生成逼真的分割输出，分割出整体、核心和增强肿瘤，骰子得分平均值分别为 87.20%、81.14% 和 78.67%，BraTS 测试集的 Hausdorff 距离 95 百分位数平均值分别为 6.44mm、24.36mm 和 18.95mm，这些结果均通过 10 倍交叉验证获得。代码可在 https://github.com/mdciri/Vox2Vox 上找到。
使用 Amazon Sagemaker 的预训练卷积神经网络在多模态 MRI 中分割 HGG 和 LGG 脑肿瘤
摘要：多模态 MRI 的自动脑肿瘤分割在辅助胶质母细胞瘤和下脑胶质瘤的诊断、治疗和手术方面发挥着重要作用。在本文中，我们提出应用 AWS SageMaker 框架中实现的几种深度学习技术。不同的 CNN 架构经过调整和微调，以达到脑肿瘤分割的目的。对实验进行评估和分析，以获得所创建模型的最佳参数。所选架构在公开的 BraTS 2017-2020 数据集上进行训练。分割区分了背景、健康组织、整个肿瘤、水肿、增强肿瘤和坏死。此外，还提出了一种随机搜索参数优化的方法，以进一步改进获得的架构。最后，我们还计算了由所述六个模型的加权平均值创建的集成模型的检测结果。集成的目标是改善肿瘤组织边界的分割。我们的结果与 BraTS 2020 竞赛和排行榜进行了比较，根据骰子分数的排名，我们的结果位列前 25%。
针对低分辨率和非连续切片的临床 MRI 数据集的最优脑肿瘤分割算法
摘要背景：从磁共振图像（MRI）中分割脑肿瘤及其组成区域对于规划诊断和治疗非常重要。在临床实践中，经验丰富的放射科医生通常使用多模态 MRI 来描绘肿瘤区域。但这种手动分割容易出现重现性差且耗时。此外，常规临床扫描通常分辨率较低。为了克服这些限制，需要一种基于计算机视觉的自动精确分割算法。方法：我们研究了三种广泛使用的分割方法的性能，即区域增长、模糊 C 均值和深度神经网络 (deepmedic)。我们通过随机选择 48 名患者数据（高级别，n = 24 和低级别，n = 24）在 BRATS 2018 数据集上以及在我们的常规临床 MRI 脑肿瘤数据集（高级别，n = 15 和低级别，n = 28）上评估了这些算法。我们使用骰子相似系数、豪斯多夫距离和体积测量来测量它们的性能。结果：与模糊 C 均值 (FCM) 和 deepmedic 网络相比，区域增长法表现非常差。对于 BRATS 和临床数据集，FCM 和 deepmedic 算法的 Dice 相似系数得分彼此接近。这两种方法的准确率一般都低于 70%。结论：尽管 deepmedic 网络在 BRATS 脑肿瘤分割挑战中表现出非常高的准确率，但它必须针对低分辨率常规临床扫描进行定制训练。它还需要大量训练数据才能用作临床应用的独立算法。尽管如此，与区域增长或 FCM 相比，deepmedic 可能是脑肿瘤分割的更好算法。关键词：脑肿瘤、分割、深度神经网络、MRI
一种利用 3D U-Net 架构对胶质瘤进行全自动肿瘤内分割的新方法
材料和方法：在本研究中，我们设计了一种新颖的 3D U-Net 架构，可分割各种放射学可识别的子区域，如水肿、增强肿瘤和坏死。提出了从肿瘤边界区域提取加权斑块的方案，以解决肿瘤和非肿瘤斑块之间的类别不平衡问题。该架构由一条用于捕获上下文的收缩路径和一条能够实现精确定位的对称扩展路径组成。基于深度卷积神经网络 (DCNN) 的架构在 285 名患者身上进行了训练，在 66 名患者身上进行了验证，并在来自脑肿瘤分割 (BraTS) 2018 挑战数据集的 191 名胶质瘤患者身上进行了测试。从多通道 BraTS 训练数据集中提取三维斑块来训练 3D U-Net 架构。我们还在来自我们三级癌症中心的 40 名高级别胶质瘤患者的独立数据集上测试了所提出方法的有效性。分割结果根据 Dice 分数、敏感度、特异性和 Hausdorff 95 距离（ITCN 肿瘤内分类网络）进行评估。