XiaoMi-AI文件搜索系统
World File Search SystemMedNeXt
![arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日](/simg/g:\will\search\icon\source\9\9bf8c62dcc81309c6ab621b237a6ec6cab8ed069.webp)
arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日
摘要。人们对采用基于 Transformer 的架构进行医学图像分割的兴趣日益浓厚。然而，由于缺乏大规模带注释的医学数据集，要实现与自然图像相当的性能具有挑战性。相比之下，卷积网络具有更高的归纳偏差，因此很容易训练到高性能。最近，ConvNeXt 架构试图通过镜像 Transformer 块来现代化标准 ConvNet。在这项工作中，我们在此基础上进行了改进，设计了一种现代化且可扩展的卷积架构，以应对数据稀缺的医疗环境的挑战。我们推出了 MedNeXt，这是一个受 Transformer 启发的大核分割网络，它引入了 - 1）用于医学图像分割的完全 ConvNeXt 3D 编码器-解码器网络，2）残差 ConvNeXt 上采样和下采样块以保持跨尺度的语义丰富性，3）一种通过上采样小核网络迭代增加核大小的新技术，以防止在有限的医疗数据上出现性能饱和，4）在 MedNeXt 的多个级别（深度、宽度、核大小）上进行复合缩放。这使得它在 CT 和 MRI 模态和不同数据集大小的 4 个任务上实现了最佳性能，代表了一种现代化的医学图像分割深度架构。我们的代码已公开发布：https://github.com/MIC-DKFZ/MedNeXt。
![arXiv:2412.04111v2 [eess.IV] 2024 年 12 月 20 日](/simg/g:\will\search\icon\source\2\24ba780caf48900fc4dab3f40fc8173a46a12f87.webp)
arXiv:2412.04111v2 [eess.IV] 2024 年 12 月 20 日
摘要。神经胶质瘤是一种死亡率高的脑肿瘤，在中低收入国家，尤其是撒哈拉以南非洲地区，诊断难度极大。本文介绍了一种使用迁移学习进行神经胶质瘤分割的新方法，以应对资源有限、MRI 数据极少且质量低下的地区所面临的挑战。我们利用预先训练的深度学习模型 nnU-Net 和 MedNeXt，并使用 BraTS2023-Adult-Glioma 和 BraTS-Africa 数据集应用分层微调策略。我们的方法利用放射组学分析来创建分层训练折叠，在大型脑肿瘤数据集上进行模型训练，并将学习迁移到撒哈拉以南地区。采用加权模型集成策略和自适应后处理来提高分割准确性。在 BraTS-Africa 2024 任务上，我们针对未见过的验证案例对我们提出的方法进行了评估，结果显示，在增强肿瘤、肿瘤核心和整个肿瘤区域方面，病变平均 Dice 评分分别为 0.870、0.865 和 0.926，并在该挑战中排名第一。我们的方法凸显了综合机器学习技术能够弥合资源有限国家和发达地区之间的医学成像能力差距。通过根据目标人群的特定需求和限制定制我们的方法，我们旨在增强孤立环境中的诊断能力。我们的研究结果强调了本地数据集成和分层细化等方法对于解决医疗保健差距、确保实际适用性和增强影响力的重要性。