XiaoMi-AI文件搜索系统
World File Search SystemDice
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。
卷积神经网络学习可实现结构磁共振成像中的生产级脑分割
最近，使用卷积神经网络的深度学习实现在医学成像的许多领域都显示出了良好的前景。在本文中，我们列出了我们实现从整个头部磁共振图像中进行颅内分割的持续高质量、高吞吐量计算的方法，这是脑图像分析的一个重要但通常很耗时的瓶颈。我们将此输出称为“生产级”，因为它适合在处理管道中常规使用。使用非常大的结构图像档案进行训练和测试，我们的分割算法在各种不同的国家成像队列中表现一致良好，Dice 指标得分超过其他最近的深度学习脑提取。我们描述了实现这一性能所涉及的组件，包括大小、基本事实的种类和质量，以及适当的神经网络架构。我们展示了适当大而多样的数据集的关键作用，表明算法开发在能力阈值之外的作用不那么突出。
2024 年 4 月营业执照报告。......
AAA Solid Foundation Repair Ltd Al Schick Construction Ltd. Alberta Paving Ltd Baildon Hutterite Colony -MJ 当地生产商农贸市场 Bakke Buildings Ltd. Brain Freeze 冰淇淋卡车 Brownlee Hutterite Colony - MJ 当地生产商农贸市场 Casual Kanuck Ltd Darb's Home Care Dawg Man Energy Crane Service GUR Convenience Store Khalis Distributors Inc Lindsay Clark Neptune Security Services Inc New Mother Nature Landscaping Par A Dice Grill Penna's Welding Ltd Riverside Honey - MJ 当地生产商农贸市场 Rustic Vibe Designs SCS Contracting Ltd. Squirrel Services Stone Gallery - MJ 当地生产商农贸市场 Techvanced Technology and Trading Limited The Source (Bell) Electronics Inc. True North Bookkeeping & Tax Service Windmill Greenhouses - MJ 当地生产商农贸市场
使用级联集成学习从多光谱 MRI 数据中分割脑肿瘤*
摘要 — 集成学习方法经常用于医疗决策支持。在图像分割问题中，基于集成的决策需要后处理，因为集成不能充分处理相邻体素的强相关性。本文提出了一种基于集成级联的脑肿瘤分割程序。第一个由二叉决策树组成的集成经过训练，基于 4 个观察特征和 100 个计算特征将局灶性病变与正常组织分离。从第一个集成提供的中间标签开始，为每个体素计算六个局部特征，作为第二个集成的输入。第二个集成是一个经典的随机森林，它加强了相邻像素之间的相关性，使病变的形状规则化。分割准确率为 85.5% 的整体 Dice Score，比之前的解决方案高出 0.5%。索引词 — 图像分割、脑肿瘤分割、磁共振成像、集成学习。
利用持久同源性分割脑血管 3D 多光子图像的拓扑编码卷积神经网络
临床证据表明，认知障碍与脑血管功能障碍和脑血流减少有关。因此，从功能上理解大脑功能和血管网络之间的联系至关重要。然而，系统地定量描述和比较像脑血管这样复杂结构的方法还很缺乏。多光子显微镜等 3D 成像模式使研究人员能够以高空间分辨率捕获脑血管网络。尽管如此，图像处理和推理是涉及成像的生物医学研究的一些瓶颈，该领域的任何进步都会影响许多研究小组。在这里，我们提出了一种基于持久同源性的拓扑编码卷积神经网络来分割脑血管的 3D 多光子图像。我们证明我们的模型在 Dice 系数方面优于最先进的模型，并且在灵敏度等其他指标方面也具有可比性。此外，我们模型的分割结果的拓扑特征模仿了人工基本事实。我们的代码和模型在 https://github.com/mhaft/DeepVess 上开源。
nnUnetFormer：一种基于 nnUnet 和 Transformer 的多模态 MR 图像脑肿瘤分割自动方法
主要结果：我们通过 5 倍交叉验证在 BraTS 2021 数据集上评估了我们的方法，并取得了优异的性能，Dice 相似系数 (DSC) 为 0.936、0.921 和 0.872，Hausdorff 距离的第 95 百分位数 (HD95) 分别为整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 区域的 3.96、4.57 和 10.45，在平均 DSC 和平均 HD95 方面均优于近期最先进的方法。此外，消融实验表明，将 Transformer 融合到我们改进的 nnUnet 框架中可以提高脑肿瘤分割的性能，尤其是对于 TC 区域。此外，为了验证我们方法的泛化能力，我们进一步在 FeTS 2021 数据集上进行了实验，并在 11 个看不见的机构上取得了令人满意的分割性能，其中 WT、TC 和 ET 区域的 DSC 分别为 0.912、0.872 和 0.759，HD95 分别为 6.16、8.81 和 38.50。
用于脑 MRI 分割的 3D 胶囊网络
1 耶鲁大学医学院放射学和生物医学成像系，康涅狄格州纽黑文 06510 2 耶鲁大学医学院治疗放射学系，康涅狄格州纽黑文 06510 3 耶鲁大学医学院结果研究与评估中心，康涅狄格州纽黑文 06510 4 耶鲁大学医学院心血管医学部，康涅狄格州纽黑文 06510 5 耶鲁大学统计与数据科学系，康涅狄格州纽黑文 06511 摘要 简介：在脑图像上分割肿瘤周围的脑结构对于放射治疗和手术计划非常重要。当前的自动分割方法通常无法分割因肿瘤而扭曲的脑解剖结构。目的：开发和验证 3D 胶囊网络（CapsNets），该网络可以分割具有训练数据中未表示的新型空间特征的脑结构。方法：我们使用在一项多机构研究中获取的 3430 个脑部 MRI 开发、训练和测试了 3D CapsNets。我们使用多种性能指标将我们的 CapsNets 与 U-Nets 进行了比较，包括分割各种脑结构的准确性、分割具有训练数据中未表示的空间特征的脑结构的准确性、使用有限数据训练模型时的性能、内存要求和计算时间。结果：3D CapsNets 可以分割第三脑室、丘脑和海马，Dice 得分分别为 94%、94% 和 91%。3D CapsNets 在分割训练数据中未表示的脑结构方面优于 3D U-Nets，Dice 得分高出 30% 以上。与 3D U-Nets 相比，3D CapsNets 的模型也小得多，可训练参数减少了 93%。这使得 3D CapsNets 在训练过程中收敛速度更快，与 U-Nets 相比，它们的训练速度更快。这两个模型在测试过程中的速度一样快。结论：3D CapsNets 可以高精度地分割大脑结构，在分割具有训练期间未表示的特征的大脑结构方面优于 U-Nets，并且与 U-Nets 相比效率更高，在实现类似结果的同时，其规模却小了一个数量级。
HAD-NET：一个分层对抗知识蒸馏网络，用于改善没有对抗后图像的增强肿瘤分割
对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。 然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。 尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。 在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。 尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。 The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。 该网络还显示出肿瘤核心（TC）骰子得分的改善。对MRI的增强肿瘤或病变的分割对于在许多临床情况下检测新疾病活性很重要。然而，准确的分割需要在注射对比剂（例如gadolinium）的患者后，将医学图像（例如，T1后对比度MRI）包括在内，这一过程不再被认为是安全的。尽管在过去几年中已经建立了许多模态分割网络，但在增强病理分割的背景下，它们取得了有限的成功。在这项工作中，我们提出了一种新颖的o net，这是一种新颖的对抗知识蒸馏（KD）技术，因此，通过访问所有MRI序列的预训练的教师分割网络，通过层次的对抗性训练，通过层次训练来教授学生网络，以更好地克服在重要的图像时呈现出至关重要的图像时会出现的大型域移动。尤其是，当无法获得对比后成像时，我们将HAD-NET应用于增强肿瘤分割的具有挑战性的任务。The proposed network is trained and tested on the BraTS 2019 brain tumour segmentation challenge dataset, where it achieves performance improvements in the ranges of 16% - 26% over (a) recent modality-agnostic segmentation methods ( U-HeMIS , U-HVED ), (b) KD-Net adapted to this problem, (c) the pre-trained student network and (d) a non-hierarchical version of the network ( AD-NET），就增强肿瘤（ET）的骰子得分而言。该网络还显示出肿瘤核心（TC）骰子得分的改善。最后，根据不确定性量化，该网络的表现优于基线学生网络和AD-NET，以增强基于BRATS 2019不确定性挑战指标的肿瘤细分。我们的代码可公开可用：https：//github.com/saveriovad/had_net关键字：知识蒸馏，对抗性，歧视者，分层，增强肿瘤，缺失顺序，对比度增强
Tengyingzi（Sophia）Perrin - 课程vitae
2023 - 苏黎世苏黎世，瑞士苏黎世数学系的先生科学助理，加固学习，金融数学。{使用观察成本方法开发马尔可夫决策过程，并将其应用于食品生产链中。{在风险谈判框架中应用游戏理论和多代理强化学习 - 食品安全的工作。2022–2023机器学习工程师实习，AI Medical AG，苏黎世，瑞士，神经影像学，计算机视觉。{使用TensorFlow实现的UNET，转移病变分割的骰子分割从0.51到0.83。{建立的管道以支持软件，包括检查数据有效性，成像核心委托和预处理。{已构建的合成病变数据库解决了不平衡的数据问题。