XiaoMi-AI文件搜索系统
World File Search SystemBrats
州长 Scott Walker 秘书 Dave Ross - 威斯康星州自然资源部
根据 AECOM 对 Kohler 提供的油罐关闭评估数据的初步审查，2009 年发现的石油污染似乎位于可能多达三个其他 Kohler BARTS 案例的石油影响区域附近或之内，包括两个已结案的案例，前天然气储罐盆地现场 (03-60-003646) 和雨水管线现场 (02-60- 51 651 7)，以及正在建设中的矿物油现场 (02-60-123666)。作为评估的一部分，AECOM 建议将四个案例的数据汇编到一张现场地图上并整合成一个数据集，以确定（正如我们所怀疑的）2009 年 4 月油罐关闭所确定的影响是否可能与这些其他项目案例的影响位于同一区域。如果确定 2009 年 4 月储罐关闭评估的影响可能与这些历史性泄漏有关，并且已通过评估这些其他泄漏时收集的数据进行了描述，我们将要求将新 BARTS 案例的数据转移到 WDNR 的其他 BARTS 案例文件中，并要求在行政上关闭新的 BRATS 案例。如果这些影响明显与历史泄漏的影响无关，我们将建议进一步进行地下评估。
Cascade Residual Multiscale Convolution and Mamba- Structured UNet for Advanced Brain Tumor Image Segmentation
Abstract: In brain imaging segmentation, precise tumor delineation is crucial for diagnosis and treatment planning. Traditional approaches include convolutional neural networks (CNNs), which struggle with processing sequential data, and transformer models that face limitations in maintaining computational efficiency with large-scale data. This study introduces MambaBTS: a model that synergizes the strengths of CNNs and transformers, is inspired by the Mamba architecture, and integrates cascade residual multi-scale convolutional kernels. The model employs a mixed loss function that blends dice loss with cross-entropy to refine segmentation accuracy effectively. This novel approach reduces computational complexity, enhances the receptive field, and demonstrates superior performance for accurately segmenting brain tumors in MRI images. Experiments on the MICCAI BraTS 2019 dataset show that MambaBTS achieves dice coefficients of 0.8450 for the whole tumor (WT), 0.8606 for the tumor core (TC), and 0.7796 for the enhancing tumor (ET) and outperforms existing models in terms of accuracy, computational efficiency, and parameter efficiency. These results underscore the model's potential to offer a balanced, efficient, and effective segmentation method, overcoming the constraints of existing models and promising significant improvements in clinical diagnostics and planning.
使用分层组合进行脑肿瘤分割...
摘要背景：磁共振（MR）图像是脑肿瘤检测最重要的诊断工具之一。在医学图像处理问题中，脑 MR 图像中胶质瘤肿瘤区域的分割具有挑战性。精确可靠的分割算法对诊断和治疗计划有很大帮助。方法：本文介绍了一种新颖的脑肿瘤分割方法作为后分割模块，该方法使用主要分割方法的输出作为输入，并使分割性能值更好。该方法是模糊逻辑和细胞自动机（CA）的组合。结果：BraTS 在线数据集已用于实现所提出的方法。在第一步中，将每个像素的强度输入模糊系统以标记每个像素，在第二步中，将每个像素的标签输入模糊 CA 以使分割性能更好。在性能饱和时重复此步骤。第一步的准确率为 85.8%，但使用模糊 CA 后的分割准确率达到 99.8%。结论：实际结果表明，与其他方法相比，我们提出的方法可以显著改善 MRI 图像中的脑肿瘤分割。
![arXiv:2002.04207v1 [ed.IV] 2 月 11 日](/simg/2\24b0be80f7ffd05615a53ff11a45e2fea5309180.webp)
arXiv:2002.04207v1 [ed.IV] 2 月 11 日
纹理和边缘为图像识别提供不同的信息。边缘和边界编码形状信息，而纹理则体现区域的外观。尽管卷积神经网络 (CNN) 在计算机视觉和医学图像分析应用中取得了成功，但主要只学习纹理抽象，这通常会导致边界描绘不精确。在医学成像中，专家手动分割通常依赖于器官边界；例如，为了手动分割肝脏，医生通常首先识别边缘，然后填充分割蒙版。受这些观察的启发，我们提出了一个即插即用模块，称为边缘门控 CNN (EG-CNN)，可与现有的编码器-解码器架构一起使用来处理边缘和纹理信息。EG-CNN 学习在编码器中强调边缘，通过辅助边缘监督预测清晰的边界，并将其输出与原始 CNN 输出融合。我们在两个公开可用的数据集 BraTS 19 和 KiTS 19 上评估了 EG-CNN 与各种主流 CNN 在脑肿瘤和肾脏语义分割方面的有效性。我们展示了添加 EG-CNN 如何持续提高分割准确性和泛化性能。
![arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日](/simg/1\1e3a653ca5ffa29fe94b881130ee268c24efaae3.webp)
arXiv:2403.09136v3 [eess.IV] 2024 年 10 月 9 日
摘要：深度学习的最新进展显著改善了脑肿瘤分割技术；然而，由于结果仅考虑图像数据而没有生物物理先验或病理信息，因此结果仍然缺乏信心和稳健性。整合生物物理学信息的正则化是改变这种情况的有效方法之一，因为它为自动端到端学习提供了先验正则化。在本文中，我们提出了一种新方法，将脑肿瘤生长偏微分方程 (PDE) 模型设计为深度学习的正则化，可与任何网络模型配合使用。我们的方法将肿瘤生长 PDE 模型直接引入分割过程，提高了准确性和稳健性，尤其是在数据稀缺的情况下。该系统使用周期性激活函数估计肿瘤细胞密度。通过有效地将这种估计与生物物理模型相结合，我们可以更好地捕捉肿瘤特征。这种方法不仅使分割更接近实际生物行为，而且还增强了模型在有限数据条件下的性能。我们通过对 BraTS 2023 数据集进行大量实验证明了我们框架的有效性，展示了肿瘤分割的精度和可靠性的显着提高。
对基于深度学习技术的医学图像应用的审查
摘要 - 深度学习在医学图像分析中的整合是医疗保健中的变革性飞跃，从而极大地影响了诊断和治疗。本学术评论探讨了深度学习的应用，在展示其潜力的同时揭示了传统方法中的局限性。它深入研究了分割，分类和增强等任务，突出了卷积神经网络（CNN）和生成对抗性网络（GAN）的关键作用。使用NIH临床中心的胸部X射线数据集和Brats数据集等数据集对特定的应用，例如脑肿瘤分割和COVID-19诊断，对模型培训证明是无价的。强调高质量数据集，尤其是在胸部X射线和癌症成像中，该文章强调了它们在各种医学成像应用中的相关性。此外，它强调了医疗机构中的管理意义，强调了医生和数据科学家之间的数据质量和协作伙伴关系。这篇评论文章阐明了深度学习在医学图像分析中的巨大潜力，这是推进医疗保健诊断和治疗的催化剂。关键字 - 深度学习，机器学习，医学图像分析，高质量的医学图像数据集
![arXiv:2201.03777v1 [eess.IV] 2022 年 1 月 11 日](/simg/5\543c988fb6282112e0662ae884f4a9f856c5229d.webp)
arXiv:2201.03777v1 [eess.IV] 2022 年 1 月 11 日
摘要。本文提出了一种基于对抗学习的脑肿瘤分割任务训练方法。在这个概念中，3D 分割网络从对偶对抗学习方法中学习。为了增强分割预测的泛化能力并使分割网络具有鲁棒性，我们遵循虚拟对抗训练方法，通过在原始患者数据上添加一些噪声来生成更多的对抗性示例。通过加入一个充当定量主观裁判的评论家，分割网络从与分割结果相关的不确定性信息中学习。我们在 RSNA-ASNR-MICCAI BraTS 2021 数据集上对网络架构进行了训练和评估。我们在在线验证数据集上的表现如下：Dice 相似度得分分别为 81.38%、90.77% 和 85.39%；增强肿瘤、整个肿瘤和肿瘤核心的 HausdorffiDistance (95%) 分别为 21.83 毫米、5.37 毫米、8.56 毫米。同样，我们的方法在最终测试数据集上实现了 84.55%、90.46% 和 85.30% 的 Dice 相似度得分，以及 13.48 毫米、6.32 毫米和 16.98 毫米的 HausdorffiDistance (95%)。总体而言，我们提出的方法在每个肿瘤子区域的分割精度方面都取得了更好的表现。我们的代码实现是公开的。
使用梯度法对脑 MRI 图像进行提示性注释...
近年来，机器学习在图像分割和分类任务中表现出色，被广泛应用于医学图像分析。机器学习，尤其是监督学习的成功取决于手动注释数据集的可用性。对于医学成像应用，这种带注释的数据集并不容易获取，需要大量的时间和资源来整理带注释的医学图像集。在本文中，我们提出了一种有效的脑部 MRI 图像注释框架，可以为人类专家提供信息丰富的样本图像进行注释。我们在两个不同的脑图像分析任务上评估了该框架，即脑肿瘤分割和全脑分割。实验表明，对于 BraTS 2019 数据集上的脑肿瘤分割任务，仅使用 7% 带有提示性注释的图像样本训练分割模型就可以实现与在完整数据集上训练相当的性能。对于 MALC 数据集上的全脑分割，使用 42% 带有提示性注释的图像样本进行训练就可以实现与在完整数据集上训练相当的性能。所提出的框架展示了一种在医学成像应用中节省手动注释成本和提高数据效率的有希望的方法。
梯度引导的模态脱钩 - ...
具有不完整输入数据（缺少模态）的多模式学习是实用且具有挑战性的。在这项工作中，我们对这一挑战进行了深入的分析，发现模式优势对模型训练具有显着的负面影响，从而极大地降低了缺失的模态性能。是由Grad-CAM激励的，我们引入了一种新颖的指标，梯度，以监测和减少在缺失情景中广泛存在的模态主导性。为了帮助该指标，我们提出了一种新颖的梯度引导的模态解耦（GMD）方法，以促进对主导方式的依赖性。特定的是，GMD从不同模态中删除了冲突的梯度成分，以实现这种去耦，从而显着提高了性能。此外，要弹性处理模态分配数据，我们设计了一个参数有效的动态共享（DS）框架，该框架可以根据是否可用，可以根据是否可用来求解网络参数。我们对三个流行的多模式基准进行了广泛的实验，包括Brats 2018用于医学分割，CMU-MOSI和CMU-MOSEI进行情感分析。结果表明，我们的方法可以显着胜过竞争对手，表明所提出的解决方案的有效性。我们的代码在此处发布：https：//github.com/haowang420/gradient-gendient-gudide-modality-decoupling。
文章 - 工程、技术和技巧基于卷积深度神经网络的脑肿瘤诊断，使用聚类图像和特征- Sup
摘要：识别和分类胶质瘤脑肿瘤是医学领域的一项艰巨任务，为了延长患者的寿命，尽早识别恶性肿瘤至关重要。已经进行了医学图像分析研究以帮助检测恶性脑肿瘤。为了实现高分类性能，提取的特征必须既具有描述性又具有判别性。机器学习在分类中至关重要，因为它具有灵活性和对不同问题的适应性。我们提出了一种聚类图像和特征支持分类器 (CIFC) 以及一个深度卷积神经网络框架来对脑肿瘤图像进行分类。所提出的模型由各种分类器组成，例如：(i) 原始和分段图像特征支持的分类器；(ii) 原始和分段图像支持的分类器和 (iii) 聚类图像和特征支持的分类器。免费和开放访问的图像数据集 BRATS 2021 用于训练和测试所提出的肿瘤检测系统框架。 CFIC 的表现优于迄今为止提出的几乎所有分类器。所提出的系统的性能指标结果为灵敏度 99.76%、特异性 98.04% 和准确度 99.87%。因此，与其他现有技术相比，所提出的系统结果在肿瘤检测方面表现良好。