XiaoMi-AI文件搜索系统
World File Search SystemSegmentation
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
自动脑分割算法通常依赖高分辨率 T 1 加权 (T1w) 或 T 2 加权 (T2w) 解剖图像来注释组织类型。这些算法依赖于不同脑组织和区域的体素对比度和强度差异来描绘脑组织和区域边界。大多数情况下，成人和儿童的脑组织和区域边界很容易描绘；然而，它们在婴儿数据中通常不太准确。这可能是由于大脑在出生后头几年经历了重大变化，例如髓鞘形成、突触形成和神经胶质增生 1,15,16 。例如，0 至 3 个月大的婴儿的 GM 和 WM 体素对比度与成人相反（图 2），从大约 5-9 个月开始对比度降低，导致组织看起来非常相似（图 2），而在 5-9 个月及以后的后期阶段，大脑开始模仿成人大脑的组织对比度 7,17,18。
分割不确定性定量的心形模型
心脏图像的分割是许多患者特定计算管道的可变组成部分，但其对模拟结果的影响仍未得到充分了解。探索赛车变异性影响的障碍是建立心室统计形状模型的技术挑战。在这项研究中，我们通过创建一个统一的形状模型（包括心外膜和eCardium），改善了以前的形状分析。我们在Shapeworks中测试了四种技术，以生成心室形状模型：标准，多体，混合，混合多域和地球距离。使用所有11个分割的多域和混合多域生成了形状模型，而Geodesic距离方法使用四个分段的子集生成了形状模型。每个形状模型在分段变异性的空间依赖性特征上，包括壁厚，环直径和基础截断。虽然三种方法中的每一种都有好处，但混合多域方法为最精确的形状模型提供了最少的点，并且在大多数应用中可能最有用。
探索3D超声中胎儿大脑皮层下分割的测试时间适应
摘要 - 超声（US）图像中胎儿大脑皮层下区域的生长可以帮助鉴定出异常发育的存在。手动分割这些区域是一项艰巨的任务，但是最近的工作表明，它可以使用深度学习自动化。然而，应用验证的模型来表现出徒手的美国量通常会导致由于获取和对齐的巨大差异而导致性能下降。在这项工作中，我们首先证明测试时间适应（TTA）可用于在存在真实和模拟域移动的情况下改善模型性能。我们通过将规范地图集作为解剖学的先验提出了一种新型的TTA方法。在存在各种域移位的情况下，我们基准了不同TTA方法的绩效，并证明了我们提出的方法带来的改进，这可能会进一步促进对胎儿脑发育的自动监测。我们的代码可从https://github.com/joshuaomolegan/ tta-for-3d-fetal-subcortical-sementation获得。关键字 - 测试时间适应，超声，分段
用安全的工作量解决分割难题！
解决方案，应用网络安全控件不再是一项琐碎的任务。策略控制工具集只会不断增长，网络中有多个执行点，以使用不同的方法（例如主机防火墙，网络防火墙和SDN控制器）或以安全组的形式保护我们的应用程序工作负载。
BIBSNet：用于 MRI 扫描的深度学习婴儿图像脑分割网络
明尼苏达大学明尼苏达超级计算研究所 1 ；明尼苏达大学共济会大脑发育研究所 2 ；圣路易斯华盛顿大学神经病学、儿科学、放射学和精神病学系 3 ；北卡罗来纳大学教堂山分校精神病学系 4 ；芝加哥大学心理学系 5 ；密歇根大学 6 ；PrimeNeuro 7 ；俄勒冈健康与科学大学 8 ；明尼苏达大学神经病学系 9 ；明尼苏达大学儿童发展研究所 10 ；明尼苏达大学儿科学系 11 ；明尼苏达大学放射学系 12 ，明尼苏达大学磁共振研究中心 13 ，乔治城大学大脑可塑性和恢复中心 14
在公共部门的微分割旅程中的经验
Michael Starnberger-维也纳Nico Oppelt市系统建筑师 - 慕尼黑市Dirk Stoeckmann市IT网络管理员 - 解决方案工程师Cisco Security CSSSSEC -1810
基于深度学习的 MR 脑分割的快速不确定性量化
摘要。量化深度学习模型预测中的不确定性有助于解释它们，从而有助于它们在关键领域的接受。然而，当前的标准方法依赖于多步骤方法，这增加了推理时间和内存成本。在临床常规中，自动预测必须融入临床咨询时间范围，这就需要更快、更有效的不确定性量化方法。在这项工作中，我们提出了一种名为 BEHT 的新模型，并在多发性硬化症 (MS) 患者 T2 加权 FLAIR MRI 序列白质高信号的自动分割任务中对其进行了评估。我们证明，这种方法输出预测不确定性的速度比最先进的蒙特卡洛 Dropout 方法快得多，而且准确度相似，甚至略高。有趣的是，我们的方法区分了两种不同的不确定性来源，即随机不确定性和认知不确定性。
物体检测可改善罕见脑肿瘤 MR 图像中的肿瘤分割
摘要：肿瘤病变分割是从 MR 神经放射图像中研究和描述癌症的关键步骤。目前，许多深度学习分割架构已被证明在它们所训练的特定肿瘤类型上表现良好（例如，大脑半球的胶质母细胞瘤）。然而，在给定肿瘤类型上进行大量训练的高性能网络可能在没有标记病例允许训练或迁移学习的罕见肿瘤类型上表现不佳。然而，由于常见肿瘤和罕见肿瘤在病变内和周围存在一些视觉相似性，因此可以将问题分为两个步骤：物体检测和分割。对于每个步骤，在常见病变上训练过的网络可以按照域自适应方案用于罕见病变，而无需额外的微调。这项工作提出了一种弹性肿瘤病变描绘策略，该策略基于实现检测和分割的已建立的基本网络的组合。我们的策略使我们能够在训练期间对位于未见肿瘤背景区域中的罕见肿瘤实现稳健的分割推断。以弥漫性内生性脑桥胶质瘤 (DIPG) 为例，我们无需进一步训练或网络架构调整即可实现 0.62 的平均骰子分数。