XiaoMi-AI文件搜索系统
World File Search SystemBrats
特征融合和潜在特征学习引导脑肿瘤分割和缺失模态恢复网络
准确的脑肿瘤分割是临床诊断和外科治疗的重要步骤。多模态脑肿瘤分割在很大程度上依赖于有效的融合方法和优秀的分割网络。然而，由于图像损坏、采集协议、扫描仪可用性和扫描成本等原因，临床场景中经常会缺少一些 MR 模态，这会严重降低肿瘤分割准确性，也会导致下游疾病分析的信息丢失。为了解决这个问题，我提出了一种新颖的多模态特征融合和潜在特征学习引导的深度神经网络。一方面，当一个或多个模态缺失时，所提出的网络可以帮助分割脑肿瘤。另一方面，它可以检索缺失的模态以补偿不完整的数据。所提出的网络由三个关键组件组成。首先，提出一个多模态特征融合模块 (MFFM) 来有效地融合来自不同模态的互补信息，包括跨模态融合模块 (CMFM) 和多尺度融合模块 (MSFM)。其次，提出了一种基于空间一致性的潜在特征学习模块 (SC-LFLM)，以利用多模态潜在相关性并提取相关特征以有利于分割。第三，集成多任务学习 (MTL) 路径来监督分割并恢复缺失的模态。在 BraTS 2018 数据集上对所提出的方法进行了评估，与最先进的方法相比，当一个或多个模态缺失时，它可以实现更好的分割结果。此外，所提出的模块可以轻松适应其他多模态网络架构和研究领域。
基于前景原型的脑肿瘤的单发段
摘要：通过几乎没有学习的可能性增强脑肿瘤分割的潜力是巨大的。虽然几个深度学习网络（DNN）显示出令人鼓舞的分割结果，但它们都采用了大量的培训数据，以产生适当的结果。此外，对于大多数这些模型而言，一个突出的问题是在看不见的课程中表现良好。为了克服这些挑战，我们提出了一个单次学习模型，以基于单个原型相似性评分来分割脑磁共振图像（MRI）上的脑肿瘤。使用最近开发的几乎没有弹药的学习技术，通过支持和查询图像进行训练和测试，我们试图通过专注于包含前景类别的切片来获取明确的肿瘤区域。与使用整个图像集的其他最近的DNN不同。该模型的训练是以迭代方式进行的，在每个迭代中，随机切片中包含前景类别的随机抽样数据的剪辑被选为查询集，以及与支持集的同一样本的不同随机切片。为了将查询图像与类原型区分开，我们使用了基于非参数阈值的基于公制的学习方法。我们采用了具有60次训练图像和350次测试图像的多模式脑肿瘤图像分割（Brats）2021数据集。使用平均骰子得分和平均得分评估模型的有效性。实验结果提供的骰子得分为83.42，比文献中的其他作品还要大。此外，所提出的单发分割模型在计算时间，内存使用情况和数据数方面优于常规方法。
使用多阶段 Attention-GAN 进行高组织对比度 MRI 合成以进行胶质瘤分割
磁共振成像 (MRI) 基于强磁场提供内脏器官的不同组织对比度图像。尽管 MRI 在频繁成像方面具有非侵入性优势，但目标区域中的低对比度 MRI 图像使组织分割成为一个具有挑战性的问题。本文展示了图像到图像转换技术生成合成高组织对比度 (HTC) 图像的潜在优势。值得注意的是，我们采用了一种具有注意机制的新型循环生成对抗网络 (CycleGAN) 来增加底层组织内的对比度。注意力模块以及对 HTC 图像的训练引导我们的模型收敛到某些组织。为了提高 HTC 图像的分辨率，我们采用多阶段架构将焦点集中在一种特定组织作为前景，并在每个阶段滤除不相关的背景。这种多阶段结构还通过减小源域和目标域之间的差距来减轻合成图像的常见伪影。我们展示了我们的方法在脑部 MRI 扫描（包括胶质瘤）中合成 HTC 图像的应用。我们还在端到端和两阶段分割结构中使用 HTC MRI 图像来确认这些图像的有效性。在 BraTS 2018 数据集上对三个竞争性分割基线进行的实验表明，将合成的 HTC 图像纳入多模态分割框架中可分别将整个肿瘤、肿瘤核心和增强肿瘤的平均 Dice 得分提高 0.8%、0.6% 和 0.5%，同时从分割过程中消除了一个真实的 MRI 序列。
M3AE：脑肿瘤分割的多模式表示学习缺失模态
多模式磁共振成像（MRI）提供了用于脑肿瘤的亚区域分析的互补信息。已经提出了大量方法，用于使用四种常见的MRI模态自动分割自动脑肿瘤，并实现了显着的性能。在实践中，由于图像腐败，工件，获取协议，对比对比代理或仅成本，因此缺少一种或多种模式是通常的。在这项工作中，我们为脑肿瘤分割的新型两阶段框架提供了缺失的方式。在第一阶段，提出了多模式掩蔽的自动编码器（M 3 AE），其中ran dom情节（即模态辍学）和剩余模式的随机斑块都均被掩盖，以进行重新构的任务，以进行自我检查的自我检查，以对鲁棒多模态表示反对损坏的模态抗衡。为此，我们将框架命名为M 3 AE。同时，我们采用模型反转以边际额外成本优化代表性的全模式图像，该图像将用于替代缺失的模式并在推断期间提高性能。然后在第二阶段，提出了一种记忆有效的自我提炼，以在异源缺失模式情况下提炼知识，同时仔细调整模型以进行分割。我们的M 3 AE属于“全部”类型，其中一个模型可以应用于所有可能的模式子集，因此对于培训和部署都是经济的。我们的代码可在以下网址找到：https：//github.com/ccarliu/m3ae。对Brats 2018和2020年数据集进行了广泛的实验，证明了其优越的性能，具有缺失模式的最新方法以及其组件的功效。
![arXiv:2001.02040v1 [eess.IV] 2020 年 1 月 6 日](/simg/e\e765e5517d8579357fa71bfa0e6d99309f6dc51f.webp)
arXiv:2001.02040v1 [eess.IV] 2020 年 1 月 6 日
脑肿瘤分为原发性和继发性肿瘤。原发性脑肿瘤源自脑细胞，而继发性肿瘤则从其他器官转移到脑中。最常见的原发性脑肿瘤类型是神经胶质瘤，它源自脑神经胶质细胞。神经胶质瘤可分为低级别 (LGG) 和高级别 (HGG) 亚型。高级别神经胶质瘤是一种侵袭性恶性脑肿瘤，生长迅速，通常需要手术和放疗，生存预后较差。磁共振成像 (MRI) 是脑肿瘤分析、监测和手术计划的关键诊断工具。通常会获取几种互补的 3D MRI 模式 - 例如 T1、使用造影剂的 T1 (T1c)、T2 和液体衰减反转恢复 (FLAIR) - 以强调不同的组织特性和肿瘤扩散区域。例如，造影剂（通常是钆）强调 T1c MRI 模式中的高活性肿瘤亚区。自动分割 3D 脑肿瘤可以节省医生的时间，并为进一步的肿瘤分析和监测提供准确、可重复的解决方案。最近，基于深度学习的分割技术超越了传统的计算机视觉方法，实现了密集语义分割。卷积神经网络 (CNN) 能够从示例中学习，并在 2D 自然图像 [5,7] 和 3D 医学图像模式 [15] 中展示出最先进的分割精度。多模态脑肿瘤分割挑战赛 (BraTS) 旨在通过提供 3D 图像来评估最先进的脑肿瘤分割方法
使用混合 CNN 进行高效脑肿瘤分类...
摘要 — 脑磁共振成像 (MRI) 是神经成像中一种重要的诊断工具，可为各种神经系统疾病提供宝贵见解。准确分类脑 MRI 图像对于帮助医疗专业人员进行诊断和治疗计划至关重要。脑 MRI 图像的多类分类在临床实践中具有重要意义。准确分类有助于检测和描述各种脑部异常，包括肿瘤、出血和神经系统疾病。我们建议的策略可以通过自动化分类过程并改善患者护理和结果来帮助医生做出及时准确的诊断。本研究使用两个标准数据集 Brats 和 Sartaj，提出了一种利用卷积神经网络 (CNN)、VGG19 和卷积神经网络支持向量机 (CNN-SVM) 算法对脑 MRI 进行多类分类的全面方法。所提出的方法利用深度学习的功能进行特征提取，并利用支持向量机 (SVM) 的多功能性进行分类。首先，训练 CNN 模型从脑 MRI 图像中提取判别特征。采用广泛使用的预训练 CNN VGG19 架构作为特征提取器。通过利用 VGG19 的预训练权重，该模型可以有效地捕获输入图像的高级表示。结果证明了该方法在准确分类脑 MRI 图像方面的有效性。进一步的研究可以探索该方法在更大数据集中的应用，并研究其他用于特征提取的深度学习架构，从而为医学图像分析和诊断提供进一步的进步。关键词 — 脑肿瘤、磁共振成像 (MRL)、卷积神经网络-支持向量机 (CNN-SVM) 算法、卷积神经网络 (CNN)、VGG19 架构
SMU-Net：用于缺失模态的脑肿瘤分割的风格匹配 U-Net
胶质瘤是最常见的原发性脑肿瘤类型之一，占所有病例的 30% 以上，它们由胶质干细胞或祖细胞发展而来。理论上，大多数脑肿瘤可以通过使用磁共振成像 (MRI) 来识别。每种 MRI 模态都会提供有关人脑软组织的不同信息，整合所有这些信息将为胶质瘤的准确分割提供全面的数据，这对于患者的预后、诊断和确定最佳后续治疗至关重要。不幸的是，由于各种原因，MRI 容易出现伪影，这可能导致一个或多个 MRI 模态缺失。多年来，已经提出了各种策略来合成缺失的模态或补偿其对自动分割模型的影响。然而，这些方法通常无法模拟潜在的缺失信息。在本文中，我们提出了一种风格匹配 U-Net (SMU-Net) 用于 MRI 图像上的脑肿瘤分割。我们的联合训练方法利用内容和风格匹配机制将全模态网络中的信息特征提取到缺失模态网络中。为此，我们将全模态和缺失模态数据编码到潜在空间中，然后将表征空间分解为风格和内容表征。我们的风格匹配模块通过学习匹配函数将信息和纹理特征从全模态路径转移到缺失模态路径，自适应地重新校准表征空间。此外，通过对互信息进行建模，我们的内容模块超越了信息量较少的特征，并根据判别性语义特征重新校准了表征空间。BraTS 2018 数据集上的评估过程显示了所提出方法在缺失模态场景中的重要性。关键词：缺失模态、脑瘤、内容风格匹配、分割。
脑肿瘤分割与 3D 可视化
1 计算机工程系，1 通用工程学院，瓦塞，印度 摘要：脑肿瘤分割在医学图像处理中起着重要作用。脑肿瘤的早期诊断有助于改善治疗可能性并提高患者的存活率。从医疗常规生成的大量 MRI 扫描中手动分割脑肿瘤可能非常耗时。这导致需要一个自动脑肿瘤图像分割系统来进行顺利诊断。从磁共振成像 (MRI) 扫描中定位和分割脑肿瘤对于医学分析领域的多种应用来说是一项艰巨而重要的任务。每种脑成像模态都提供与肿瘤每个部分相关的独特和关键细节。许多最近的方法使用了四种模态，即 T1、T1c、T2 和 FLAIR。NeuroVision 是一个灵活有效的脑肿瘤分割和可视化 Web 应用程序。该系统使用基于 CNN 的 UNET 模型进行脑肿瘤分割并显示不同的肿瘤区域。其次，使用 Python 图形库以 2-D、3-D 和 360 度视图可视化肿瘤的不同区域。生成的医疗报告包括肿瘤在脑内的位置和肿瘤相对于脑的占有率。在 BRATS 2020 数据集上进行了全面的实验，结果表明，所提出的模型获得了有竞争力的结果。所提出的方法分别实现了平均整个肿瘤、增强肿瘤和肿瘤核心骰子得分 88.3%、75.3% 和 79.0%。索引术语 - 脑肿瘤、UNET、BRATS、MRI、分割、可视化、模态、骰子得分。I. 介绍脑肿瘤是一组异常细胞以不受控制的方式繁殖的阶段。磁共振成像 (MRI) 是一种非侵入性测试，医生可以使用它来诊断患者的病情。 MRI 提供高分辨率和软组织高对比度的图像。MRI 提供有关脑肿瘤形状、大小和位置的重要信息，以便对患者进行有效的诊断和治疗计划。因此，脑肿瘤医学领域的大部分研究都是使用 MRI 图像进行的。可以创建各种 MRI 模式，这些模式可以称为加权图像。这些模式是 T1 加权、T2 加权、T1c 和液体衰减反转恢复 (FLAIR)。T1 加权图像在脑组织的灰质和白质之间具有高对比度，这有助于更好地分割脑肿瘤。T1 加权对比度增强了 T1 图像，而 FLAIR 使肿瘤区域变得高强度，这就是它用于脑肿瘤结构诊断的原因。研究需求 MRI 图像代表了诊断和治疗计划中一项关键且具有挑战性的任务，有助于准确分割脑肿瘤。图像分割是医学成像中的一个动态领域，包括从图像中提取一个或多个肿瘤区域，这使得肿瘤区域对治疗很有吸引力。为了进行脑肿瘤检测，文献中已经开发了各种算法，包括基于阈值的方法、基于区域的方法、可变形方法、分类方法和深度学习。但在这项工作中，UNET 已用于脑肿瘤的检测和分割。图像可视化在医学领域也起着非常重要的作用。这有助于确定治疗或手术的可能结果。医疗专业人员可以很容易地与患者沟通他们的问题是什么以及如何治疗。因此，脑肿瘤的检测、分割、可视化以及肿瘤占据了大脑某个区域的百分比，所有这些过程都在一个名为 NeuroVision 的平台上执行。可以使用脑肿瘤分割从健康脑组织中提取肿瘤区域并检测脑肿瘤。因此，肿瘤可以有不同的大小和位置，准确有效地分割肿瘤成为一项具有挑战性的任务。肿瘤可以具有各种外观特性，例如其结构可以是非刚性的并且可以具有复杂的形状。
多中心 - 私人 - 抛光模型 - 深度训练 -
目标：这项工作旨在探索多中心数据异质性对深度学习脑转移（BM）自动分量性能的影响，并评估增量转移学习技术的功效，即不忘记（LWF），以提高模型性能而无需共享原始数据。材料和方法：使用了埃尔兰根大学医院（UKER），苏黎世大学医院（USZ），斯坦福大学，纽约大学（纽约大学）和Brats Challenge 2023的六个BM数据集。首先，分别为单一中心训练和混合多中心训练建立了用于BM自动分量的DeepMedic网络的性能。随后评估了保护隐私的双边合作，其中有一个验证的模型将分享到其他带有LWF或不带有LWF的转移学习（TL）的进一步培训中心。结果：对于单中心训练，在各自的单中心测试数据上，BM检测的平均F1得分范围从0.625（NYU）到0.876（UKER）。混合的多中心训练明显提高了斯坦福大学和纽约大学的F1分数，其他中心的改进可以忽略不计。当将UKER预告量化的模型应用于USZ时，LWF的平均F1得分（0.839）比NAIVE TL（0.570）和单中心训练（0.688）高于UKER和USZ测试数据。幼稚的TL提高了灵敏度和轮廓精度，但会损害精度。相反，LWF表现出值得称赞的灵敏度，精度和轮廓精度。应用于斯坦福大学时，观察到类似的性能。结论：数据异质性（例如，转移密度，空间分布和图像空间分辨率的变化）导致BM自动分量的性能变化，从而对构建概括性提出了挑战。LWF是对点对点隐私模型培训的有前途的方法。
smu-net：样式匹配脑瘤分割的u-net缺失模态
神经胶质瘤是原发性脑肿瘤最普遍的类型之一，占所有病例的30％以上，它们是从神经胶质茎或祖细胞中发育的。从理论上讲，大多数脑肿瘤可以完全通过使用磁共振成像（MRI）来识别。每种MRI模态都提供有关人脑软组织的不同信息，并整合所有MRI的信息将提供全面的数据，以准确分割神经胶质瘤，这对于患者的预后，诊断和确定最佳后续治疗至关重要。不幸的是，由于多种原因，MRI容易出现工件，这可能导致缺少一种或多种MRI方式。多年来，已经提出了各种策略，以综合缺失的方式或补偿其对自动分割模型的影响。但是，这些方法通常无法对基础丢失的信息进行建模。在本文中，我们为MRI图像上的脑肿瘤分割提供了一种匹配的U-NET（SMU-NET）。我们的共同训练方法利用内容和样式匹配机制将信息从全模式网络提炼为缺失的模态网络。为此，我们将全模式和缺失模式数据编码为潜在空间，然后将表示空间分解为样式和内容表示形式。我们的样式匹配模块通过学习匹配函数以将信息和纹理特征从全模式路径传输到缺失模式路径，从而自适应地重新校准表示空间。此外，通过对互信息进行建模，我们的内容模式超过了信息较少的特征，并根据歧视性语义特征重新校准表示空间。BRATS 2018数据集的评估过程显示了所提出的方法在缺失模态方案上的重要性。关键字：缺失方式，脑肿瘤，内容式匹配，分割。