XiaoMi-AI文件搜索系统
World File Search SystemUNet
将残差、密集和初始块集成到 nnUNet 中
摘要 —nnUNet 是一个完全自动化且可通用的框架，它可以自动配置应用于分割任务的完整训练管道，同时考虑数据集属性和硬件约束。它利用了一种基本的 UNet 类型架构，该架构在拓扑方面是自配置的。在这项工作中，我们建议通过集成更高级的 UNet 变体（例如残差、密集和初始块）的机制来扩展 nnUNet，从而产生三种新的 nnUNet 变体，即残差-nnUNet、密集-nnUNet 和初始-nnUNet。我们已经在由 20 个目标解剖结构组成的八个数据集上评估了分割性能。我们的结果表明，改变网络架构可能会提高性能，但提高的程度和最佳选择的 nnUNet 变体取决于数据集。索引词 —nnUnet、生物医学图像分割、残差网络、密集网络、初始网络。
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI
使用 3D-UNet 架构进行 MRI 脑肿瘤分割和不确定性估计
摘要。3D 磁共振图像 (MRI) 中的脑肿瘤分割自动化是评估疾病诊断和治疗的关键。近年来，卷积神经网络 (CNN) 在该任务中表现出更好的效果。然而，高内存消耗仍然是 3D-CNN 的一个问题。此外，大多数方法不包括不确定性信息，这在医学诊断中尤其重要。这项工作研究了使用修补技术训练的 3D 编码器-解码器架构，以减少内存消耗并降低不平衡数据的影响。然后使用不同的训练模型来创建一个利用每个模型属性的集成，从而提高性能。我们还分别使用测试时间丢失 (TTD) 和数据增强 (TTA) 引入了体素不确定性信息，包括认知和随机信息。此外，提出了一种有助于提高分割准确性的混合方法。本论文提出的模型和不确定性估计测量已在 BraTS'20 挑战赛中用于肿瘤分割和不确定性估计的任务 1 和 3。
UNet-VGG16 结合迁移学习实现基于 MRI 的脑肿瘤分割
脑瘤是一种致命疾病，在医学手术中需要高精度。脑瘤检测可以通过磁共振成像（MRI）进行。MRI 脑瘤图像分割旨在将肿瘤区域（作为感兴趣区域或 ROI）与健康大脑分开，并提供肿瘤的清晰边界。本研究使用具有新架构的全卷积网络 UNet-VGG16 对 ROI 和非 ROI 进行分类。该模型或架构是 U-Net 和 VGG16 的混合体，并通过迁移学习简化了 U-Net 架构。该方法在学习数据集中的准确率高达 96.1% 左右。验证是通过计算正确的分类率（CCR）并将分割结果与基本事实进行比较来完成的。CCR 值表明，该 UNet-VGG16 可以识别脑瘤区域，平均 CCR 值约为 95.69%。