XiaoMi-AI文件搜索系统
World File Search SystemBrats
设计和评估改进的基于卷积神经网络的脑肿瘤细分和分类系统
深度学习技术最近证明了从MRI图像分割脑肿瘤的有希望的结果。由于其能够处理高分辨率图像并分割整个肿瘤区域的能力，U-NET模型是其中之一，并且经常被使用。对于脑肿瘤治疗的分析和计划，使用多对比度MRI图像对脑肿瘤进行精确分割至关重要。深度学习模型在内，包括U-NET，PSPNET，DEEPLABV3+和RESNET50表现出令人鼓舞的脑肿瘤分割结果。使用Brats 2018数据集，我们在这项研究中比较了这些模型。我们使用各种措施评估模型，包括Hausdorff距离（HD），绝对体积差（AVD）和骰子相似性系数（DSC），我们研究了数据增强和传输学习方法如何影响模型的性能。研究结果表明，3D U-NET模型的表现最好，DSC为0.90，HD为10.69mm，AVD为11.15％。PSPNET模型的性能可比性，DSC为0.89，HD为11.37mm，AVD为12.24％。DEEPLABV3+和RESNET50模型的性能较低，DSC分别为0.85和0.83。基于发现和分析，建议使用多对比度MRI图像的脑肿瘤分割具有数据增强和转移学习的3D U-NET模型。
基于改进卷积神经网络的脑肿瘤分割分类系统的设计与评估
深度学习技术最近在从 MRI 图像中分割脑肿瘤方面表现出了良好的效果。由于能够处理高分辨率图像并分割整个肿瘤区域，U-Net 模型就是其中之一，并且经常被使用。对于脑肿瘤治疗的分析和规划，使用多对比度 MRI 图像准确分割脑肿瘤至关重要。包括 U-Net、PSPNet、DeepLabV3+ 和 ResNet50 在内的深度学习模型在脑肿瘤分割方面表现出了令人鼓舞的效果。使用 BraTS 2018 数据集，我们在本研究中比较了这些模型。我们使用各种测量方法来评估模型，包括豪斯多夫距离 (HD)、绝对体积差异 (AVD) 和骰子相似系数 (DSC)，并研究数据增强和迁移学习方法如何影响模型的性能。研究结果表明，3D U-Net 模型表现最佳，DSC 为 0.90，HD 为 10.69 毫米，AVD 为 11.15%。 PSPNet 模型取得了相当的性能，DSC 为 0.89，HD 为 11.37mm，AVD 为 12.24%。DeepLabV3+ 和 ResNet50 模型取得了较低的性能，DSC 分别为 0.85 和 0.83。根据发现和分析，建议使用具有数据增强和迁移学习的 3D U-Net 模型利用多对比度 MRI 图像进行脑肿瘤分割。
基于深度学习、注意力机制和基于能量的不确定性预测的脑肿瘤分割
脑肿瘤是最致命的癌症之一，死亡率超过 80%。快速准确的诊断对于提高生存机会至关重要。然而，在医学分析中，脑肿瘤的手动注释和分割可能很复杂。通常会分析多种 MRI 模式，因为它们提供有关肿瘤区域的独特信息。虽然这些 MRI 模式有助于分割神经胶质瘤，但它们往往会增加过度拟合和计算。本文提出了一种感兴趣区域检测算法，该算法在数据预处理期间实施，以定位显着特征并删除无关的 MRI 数据。这减少了输入大小，从而允许更积极的数据增强和更深的神经网络。在对 MRI 模态进行预处理之后，完全卷积自动编码器使用通道自注意力和注意力门对不同的脑部 MRI 进行分割。随后，使用测试时间增强和基于能量的模型进行基于体素的不确定性预测。在 BraTS 19、20 和 21 基准上进行了实验，所提出的模型在每个数据集上的平均骰子分数分别为 84.55、88.52 和 90.82，实现了最先进的分割性能。此外，定性结果用于评估分割模型和不确定性预测。这项工作的代码可在线获取：https：//github.com/WeToTheMoon/BrainTumorSegmentation。
工作流集成的脑肿瘤分割系统...
人工智能 (AI) 在医学成像任务中取得了巨大成果，并有可能在未来改善临床医生和患者的体验，但在将 AI 融入医学的道路上，存在许多实际、技术和社会挑战。在本文中，我们为 Helse Vest 的 AI 集成开发做出了贡献，并提出了一种与其现有研究 PACS 解决方案集成的脑肿瘤分割系统。我们调查了目前机器学习模型集成的可能性程度，以及是否需要额外的软件开发工作。所使用的机器学习模型是使用结合两个基于 Python 的深度学习库 fastai 和 MONAI 的库开发的。该库目前由 Mohn 医学成像和可视化中心 (MMIV) 的研究人员开发，我们将它与另一个最先进的框架进行比较，以量化其潜在的实用性。此外，我们将其部署在一个简单的交互式 Web 应用程序中。本论文包含三项研究，旨在讨论和回答我们的研究目标。所有研究均使用了 BraTS 2021 分割挑战赛数据集中的医疗数据，我们的项目是 MMIV 的 WIML 项目 [1] 的一部分。我们取得的成果为未来的开发人员在研究 PACS 中继续进行工作流集成机器学习开辟了道路，我们看到了未来研究的许多可能方向。
大脑肿瘤的基于深度学习的合奏模型...
摘要：神经胶质瘤是一种快速生长的脑肿瘤，其中肿瘤的形状，大小和位置因患者而异。在放射科医生的帮助下，手动提取感兴趣的区域（肿瘤）非常困难且耗时。为了克服这一Pro -Blem，我们提出了一种完全自动化的深度学习 - 基于脑肿瘤分割的集合方法，对四个不同的3D多模式磁共振ima -ging（MRI）扫描。分割是由三个最有效的编码器 - 分解的segmen -tation及其结果通过众所周知的分割指标来测量的。然后，对模型进行了统计分析，并通过考虑使用特定MRI模式的最高Matthews相关系数来设计集合模型。本文有两个主要贡献：首先是三个模型的详细比较，第二个通过基于分割精度组合三个模型来提出集合模型。使用脑肿瘤分割（BRAT）2017数据集评估该模型，最终组合模型的F 1得分分别为0.92、0.95、0.93和0.84，分别为整个肿瘤，核心，增强肿瘤和水肿子 - 肿瘤。实验结果表明，该模型的表现优于艺术状态。
25 优化基于 3D U-Net 的脑肿瘤分割...
虽然神经胶质瘤已成为最常见的癌性脑肿瘤，但通过 3D MRI 进行手动诊断非常耗时，且不同的放射治疗师进行的诊断可能不一致，因此迫切需要自动分割脑肿瘤。最先进的方法采用 FCN 来自动分割 MRI 扫描。特别是 3D U-Net 已经取得了显著的表现，并激发了一系列后续研究。然而，它们巨大的规模和繁重的计算阻碍了它们的实际部署。尽管存在大量关于使用低精度表示压缩 CNN 的文献，但它们要么注重减少存储而没有计算改进，要么导致严重的性能下降。在本文中，我们提出了一种 CNN 训练算法，该算法使用非负整数以及训练过的仿射映射函数来近似权重和激活。此外，我们的方法允许以整数算术方式执行点积运算，并将浮点解码和编码阶段推迟到层的末尾。 BraTS 2018 上的实验结果表明，我们训练过的仿射映射方法在 8 位权重和激活的情况下实现了接近全精度的骰子精度。此外，在使用 4 位和 2 位精度时，我们分别实现了与全精度骰子精度相差 0.005 和 0.01 以内的骰子精度。
基于转移学习和多尺度卷积网络
脑癌是一种罕见且致命的疾病，生存的机会很小。神经科医生和放射科医生最重要的任务之一是尽早检测脑肿瘤。最近提出了基于计算机辅助诊断系统可以通过采用磁共振成像（MRI）作为支持技术来诊断脑肿瘤的说法。我们在本研究中使用MRI扫描提出了深度学习模型的转移学习方法，以检测胶质母细胞瘤等恶性肿瘤。本文提出了一种基于深度学习的方法，用于使用态对象检测框架Yolo（您只看一次），用于脑肿瘤识别和分类。Yolov5是一种新颖的对象检测深度学习技术，比其竞争模型需要有限的计算体系结构。该研究使用了来自RSNA-MICCAI脑肿瘤无线电基因组分类的BRAT 2021数据集。该数据集具有从RSNA-MICCAI脑肿瘤无线电基因组竞争数据集中注释的图像，该数据集使用有意义的AI在线工具标记数据集。然后将预处理的数据分为模型的测试和训练。Yolov5模型的精度为88％。最后，我们的模型在整个数据集中进行了测试，得出的结论是，它能够成功地检测脑肿瘤。
通过风格增强和双重规范化实现通用的跨模态医学图像分割
对于医学图像分割，想象一下如果一个模型仅使用源域中的 MRI 图像进行训练，那么它在目标域中直接分割 CT 图像的性能如何？这种设置，即具有临床潜力的通用跨模态分割，比其他相关设置（例如域自适应）更具挑战性。为了实现这一目标，我们在本文中提出了一种新颖的双重规范化模型，该模型在通用分割过程中利用增强的源相似和源不相似图像。具体而言，给定一个源域，旨在模拟看不见的目标域中可能的外观变化，我们首先利用非线性变换来增强源相似和源不相似图像。然后，为了充分利用这两种类型的增强，我们提出的基于双重规范化的模型采用共享主干但独立的批量规范化层进行单独规范化。随后，我们提出了一种基于风格的选择方案，在测试阶段自动选择合适的路径。在三个公开数据集（即 BraTS、跨模态心脏和腹部多器官数据集）上进行的大量实验表明，我们的方法优于其他最先进的领域泛化方法。代码可在 https://github.com/zzzqzhou/Dual-Normalization 获得。
通过多模式进行互动特征学习
从多模式的磁共振图像数据自动分割脑肿瘤具有实现术前计划和术中体积测量的潜力。深度卷积神经网络技术的最新进展为实现脑肿瘤区域的端到端分段打开了机会。然而，脑肿瘤分割中使用的医学图像数据相对较少，并且脑肿瘤的出现变化，因此很难找到一种可学习的模式来直接描述肿瘤区域。在本文中，我们提出了一种新型的跨模式互动特征学习框架，以从多模式数据分割脑肿瘤。核心思想是多模式的MR数据包含正常大脑区域的丰富模式，可以轻松捕获，并且可以潜在地用于检测非正常的大脑区域，即脑肿瘤区域。所提出的多模式交互式特征学习框架由两个模块组成：跨模式特征提取模块和注意力引导特征融合模块，旨在探索丰富的模式跨多模式的富含模式，并指导相互作用的相互作用以及来自不同模态的丰富特征的融合过程。综合实验是在Brats 2018基准上进行的，该基准表明，与基线方法和最先进的方法相比，提出的跨模式特征学习框架可以有效地改善脑瘤分割性能。
文章 - 使用改进的视觉几何组 (IVGG) 深度学习对胶质瘤进行工程、技术和技巧检测和分割
摘要：胶质瘤脑肿瘤具有与其他肿瘤相似的纹理模式，因此检测和分割胶质瘤脑肿瘤是一项具有挑战性的过程。本研究提出了一种改进的肿瘤检测系统 (MTDS) 方法来从健康脑图像中识别和分类胶质瘤脑图像。空间 Gabor 变换 (SGT)、特征计算和深度学习结构构成了建议的 MTDS 技术的训练工作流程。从胶质瘤脑图像数据集图像和正常脑图像数据集图像计算特征，并将这些特征输入到分类架构中。在本文中，提出的 IVGG 架构源自现有的视觉几何组 (VGG) 架构，以提高所提系统的检测率并降低计算时间复杂度。所提系统的测试工作流程还包括 SGT、特征计算和 IVGG 架构，以产生将源脑图像分类为正常或胶质瘤的结果。此外，形态分割技术已用于查找此胶质瘤图像中的肿瘤位置。本研究使用了两个独立的脑成像数据集来评估和验证建议的 MTDS 的性能效率。数据集是 BRATS Imaging 2020 (BI20) 和 Kaggle Brain Imaging (KBI)。已经根据 Jaccard 指数、召回率、准确率和检测率对性能效率进行了分析。