XiaoMi-AI文件搜索系统
World File Search Systemflair
利用图像处理中的多层对称技术进行脑肿瘤分类和诊断
准确及时地检测脑肿瘤区域对选择治疗类型、治疗成功率以及在治疗期间跟踪疾病进程具有非常重要的影响。现有的脑肿瘤诊断算法面临着在各种不同质量的脑图像上表现良好、结果对算法中引入的参数的低敏感性以及在形成早期可靠地诊断肿瘤等方面的问题。为此，数字图像处理方法以及机器学习有助于尽快诊断肿瘤以及治疗和手术类型。这些理解医学图像的综合技术是研究人员提高诊断准确性的重要工具。在本文中，我们打算执行与患有肿瘤的人脑 MRI 图像相关的分类方法，目的是检查含有星形细胞瘤的腺体。用于脑肿瘤分类的方法包括预处理步骤、窗口化和使用两种类型的 T1-w 和 Flair 脑 MRI 图像提取肿瘤的组织学和统计特征，以及降低提取特征的维度的方法以及如何训练它们进行分类。结果表明，通过使用对称性和多层聚类的组合技术，在提高准确率的同时，处理时间也减少了。关键词：脑肿瘤、MRI、分类、诊断、图像处理。提交日期：2023 年 10 月 14 日，修订日期：2023 年 11 月 16 日，接受日期：2023 年 11 月 28 日
一种新的2阶段残差U-net算法与...相结合
利用最佳质量传输 (OMT) 技术将不规则的 3D 脑图像转换为立方体（U-net 算法所需的输入格式），这是医学成像研究的全新思路。我们开发了一个立方体体积测量保留 OMT (V-OMT) 模型来实现这种转换。脑图像中流体衰减反转恢复 (FLAIR) 的对比度增强直方图均衡灰度创建了相应的密度函数。然后，我们提出了一种有效的两相残差 U-net 算法与 V-OMT 算法相结合进行训练和验证。首先，我们使用残差 U-net 和 V-OMT 算法精确预测整个肿瘤 (WT) 区域。其次，我们使用扩张来扩展这个预测的 WT 区域，并通过将与脑图像中 WT 区域相关的阶梯状函数与 5×5×5 模糊张量卷积来创建平滑函数。然后，构建一种具有网格细化的新 V-OMT 算法，使残差 U-net 算法能够有效地训练 Net1-Net3 模型。最后，我们提出集成投票后处理来验证脑图像的最终标签。我们从包含 1251 个样本的脑肿瘤分割 (BraTS) 2021 训练数据集中随机选择了 1000 个和 251 个脑样本，分别用于训练和验证。Net1-Net3 计算的 WT、肿瘤核心 (TC) 和增强肿瘤 (ET) 区域的验证 Dice 分数分别为 0.93705、0.90617 和 0.87470。脑肿瘤检测和分割的准确性显著提高。
基于深度学习的多模态肿瘤分割方法：叙述性综述
准确地描绘肿瘤形状，使得多模态成像在肿瘤分割任务中具有优势（2,3）。例如，在脑胶质瘤的分割中，四个 MRI 序列 T1、T2、T1ce 和液体衰减反转恢复 (FLAIR) 提供了关于脑内肿瘤形状和其他病变结构的互补信息（4,5）。同样，在头颈部肿瘤分割中，PET 和 CT 图像可以提供有关肿瘤位置和轮廓的附加信息（6）。手动肿瘤分割是计算机辅助诊断 (CAD) 系统中常用的技术，但由于医生经验的主观性，它具有局限性，可能导致偏差，并且耗时耗力（7）。因此，准确的自动分割至关重要。近年来，深度学习 (DL) 技术，例如卷积神经网络 (CNN)，已广泛应用于大脑 (8)、头颈部 (9) 和肺部 (10) 等各个身体部位的多模态肿瘤分割任务。这些技术的基本思想是从训练数据中学习肿瘤特征，自动分割未知数据中的肿瘤，从而降低人工分割成本，提高分割精度。基于多模态深度学习的肿瘤分割算法已成为一种流行趋势，并因实现肿瘤的精准分割而受到越来越多的关注。本研究对多模态肿瘤分割的深度学习算法进行了全面的概述，包括公开数据集、评估方法、分割网络、常用技术以及各种多模态数据融合方法下的评估指标分析。来自公开挑战赛（https://grand-challenge.org）的基准数据集可以验证肿瘤分割
ADNI3协议编号：ATRI-001
AD Alzheimer's Disease ADAS-Cog Alzheimer's Disease Assessment Scale – Cognitive ADC Alzheimer's Disease Center ADEAR Alzheimer's Disease Education & Referral Center, under the NIA ADNI Alzheimer's Disease Neuroimaging Initiative ADNI1 Alzheimer's Disease Neuroimaging Initiative - 1 ADNI2 Alzheimer's Disease Neuroimaging Initiative - 2 ADNI-GO Alzheimer's Disease Neuroimaging Initiative – Grand Opportunity PCORNet Patient Centered Outcomes Research Network AE Adverse Event AMNART American National Adult Reading Test APOE/APOE4 Apolipoprotein E (APOE) epsilon 4 (APOE4) ATRI Alzheimer's Therapeutic Research Institute Aβ Beta Amyloid ASL Arterial Spin Labeling CBB COGSTATE简短电池CCI认知变化指数CDR临床痴呆评级CSF脑脊液CT CT计算机层析成像DBGAP DBGAP DBGAP DBGAP数据库DNA脱氧核糖核酸DSMB数据安全监测委员会DSM-IV诊断和统计ECRISINIS IMPHITION ECRINCTION IMPRICTION IMPORTINC Case Report Form EDC Electronic Data Capture (System) EMCI Early Amnestic Mild Cognitive Impairment ECog Everyday Cognition FCI-SF Financial Capacity Instrument – Short Form FAQ Functional Activities Questionnaire (Activities of Daily Living) FDG Fluorodeoxyglucose FLAIR Fluid Attenuation Inversion Recovery fMRI Functional Magnetic Resonance Imaging GCP Good Clinical Practice
![arXiv:2001.02040v1 [eess.IV] 2020 年 1 月 6 日](/simg/g:\will\search\icon\source\e\e765e5517d8579357fa71bfa0e6d99309f6dc51f.webp)
arXiv:2001.02040v1 [eess.IV] 2020 年 1 月 6 日
脑肿瘤分为原发性和继发性肿瘤。原发性脑肿瘤源自脑细胞，而继发性肿瘤则从其他器官转移到脑中。最常见的原发性脑肿瘤类型是神经胶质瘤，它源自脑神经胶质细胞。神经胶质瘤可分为低级别 (LGG) 和高级别 (HGG) 亚型。高级别神经胶质瘤是一种侵袭性恶性脑肿瘤，生长迅速，通常需要手术和放疗，生存预后较差。磁共振成像 (MRI) 是脑肿瘤分析、监测和手术计划的关键诊断工具。通常会获取几种互补的 3D MRI 模式 - 例如 T1、使用造影剂的 T1 (T1c)、T2 和液体衰减反转恢复 (FLAIR) - 以强调不同的组织特性和肿瘤扩散区域。例如，造影剂（通常是钆）强调 T1c MRI 模式中的高活性肿瘤亚区。自动分割 3D 脑肿瘤可以节省医生的时间，并为进一步的肿瘤分析和监测提供准确、可重复的解决方案。最近，基于深度学习的分割技术超越了传统的计算机视觉方法，实现了密集语义分割。卷积神经网络 (CNN) 能够从示例中学习，并在 2D 自然图像 [5,7] 和 3D 医学图像模式 [15] 中展示出最先进的分割精度。多模态脑肿瘤分割挑战赛 (BraTS) 旨在通过提供 3D 图像来评估最先进的脑肿瘤分割方法
系列
与统治我们的愿景相反，它是一种不受欢迎且鲜为人知的含义，但至关重要，因为它可以使危险：火，宠坏的食物……他与呼吸的联系使他成为我们无法摆脱的意思，我们没有停止呼吸，我们摄入了气味的分子。与偏见相反，人是一个配备良好的人。人类有400个不同的嗅觉探测器和1000万个嗅觉神经元（Gurden，2024）。他超过了具有良好天赋的著名狗（Porter等，2007）。与动物的比较并不是偶然的，这种感觉是由生命和性的含义（Jaquet，2010年）。康德（1836/1993）谴责他，弗洛伊德判断他的擦除与文化和神经症有关（Coutinho Jorge，2016年）。自18世纪以来，我们的社会想象力变得越来越宽容“坏”气味（Corbin，1982/2016）。
TISS-net：使用级联双任务网络和误差预测一致性进行脑肿瘤图像合成和分割
从医学图像中准确分割脑肿瘤对于诊断和治疗计划非常重要，而且通常需要多模态或对比度增强图像。然而在实践中，患者的某些模态可能缺失。合成缺失的模态有可能填补这一空白并实现高分割性能。现有方法通常分别处理合成和分割任务，或者将它们联合考虑，但没有对复杂的联合模型进行有效的正则化，导致性能有限。我们提出了一种新颖的脑肿瘤图像合成与分割网络 (TISS-Net)，该网络可以高性能地端到端获得合成的目标模态和脑肿瘤分割。首先，我们提出了一个双任务正则化生成器，可以同时获得合成的目标模态和粗分割，它利用肿瘤感知合成损失和可感知正则化来最小化合成和真实目标模态之间的高级语义域差距。基于合成图像和粗分割，我们进一步提出了一个双任务分割器，它可以同时预测细化分割和粗分割中的误差，其中引入这两个预测之间的一致性以进行正则化。我们的 TISS-Net 通过两个应用进行了验证：合成 FLAIR 图像用于整个神经胶质瘤分割，合成增强 T1 图像用于前庭神经鞘瘤分割。实验结果表明，与现有模态的直接分割相比，我们的 TISS-Net 大大提高了分割精度，并且优于最先进的基于图像合成的分割方法。2023 作者。由 Elsevier BV 出版 这是一篇根据 CC BY-NC-ND 许可开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
用于脑部的监督 ML 应用分类模型...
脑是人体中的一个复杂器官。当脑肿瘤发生时，脑中会形成一系列异常的细胞，并且发生不受控制的细胞分裂（Logeswari and Karnan，2010）。这些异常的细胞会破坏健康细胞并影响大脑的总体活动。脑肿瘤分为良性肿瘤和恶性肿瘤。良性肿瘤生长缓慢，起源于脑部；它们被认为是非进行性或非癌性的。良性肿瘤不会扩散到体内的任何其他器官。相反，恶性肿瘤是进行性的和癌性的。它们以不确定的方式意外生长。原发性恶性肿瘤可以自行生长。此外，恶性肿瘤还可以在体内的其他器官中生长并扩散到大脑。MRI 是一种可以生成高质量人体解剖图像的成像技术。MRI 为医学诊断和研究提供了大量信息（Zhang et al.，2011）。 MRI 图像的自动化和准确分类极大地提高了 MRI 的诊断价值（Scapaticci 等，2012）。然而，单一类型的 MRI 无法提供包含许多不同组织的脑肿瘤的完整详细信息（Sudharani 等，2016）。不同加权图像相结合可以开发脑肿瘤的图像分割。三幅加权 MRI 图像（图 1 中的 T1、T2 和 FLAIR）用于在不同轴向切片上对颅骨进行图像分割（Vannier 等，1988；Clark 等，1994；Dou 等，2007）。作为最佳成像方法之一，研究人员使用 MRI 来分析脑肿瘤在检测和治疗阶段的进展。由于 MRI 产生高分辨率，因此脑结构信息（如脑组织异常）非常详细。因此，MRI 对医学图像的自动分析有显著影响（ Zacharaki 等人，2009 年；Litjens 等人，2017 年）。由于医学图像可以扫描并加载到计算机中，研究人员提出了不同的
在外部验证中，MRI 放射组学预测脑转移瘤原发性肿瘤组织学的能力有限
摘要背景。越来越多的研究表明，使用从成像数据中提取的放射组学特征可以预测各种恶性肿瘤的组织学或遗传信息。本研究旨在通过内部和外部验证来研究基于 MRI 的放射组学在预测脑转移瘤原发性肿瘤中的作用，并使用过采样技术来解决类别不平衡问题。方法。这项经 IRB 批准的回顾性多中心研究包括肺癌、黑色素瘤、乳腺癌、结直肠癌和其他原发性实体的组合异质组（5 类分类）的脑转移瘤。2003 年至 2021 年期间从 231 名患者（545 个转移瘤）获取了本地数据。分别对来自公开的斯坦福 BrainMetShare 和加州大学旧金山分校脑转移瘤立体定向放射外科数据集的 82 名患者（280 个转移瘤）和 258 名患者（809 个转移瘤）进行了外部验证。预处理包括脑提取、偏差校正、配准、强度归一化和半手动二元肿瘤分割。从每个序列（8 次分解）的 T1w（± 对比度）、液体衰减反转恢复 (FLAIR) 和小波变换中提取了 2528 个放射组学特征。使用原始数据和过采样数据的选定特征训练随机森林分类器（5 倍交叉验证），并使用准确度、精确度、召回率、F1 分数和受试者工作特征曲线下面积 (AUC) 在内部/外部保留测试集上进行评估。结果。过采样并没有改善内部和外部测试集上整体不令人满意的性能。不正确的数据分区（训练/验证/测试分割之前的过采样）会导致对模型性能的严重高估。结论。应严格评估放射组学模型从成像中预测组织学或基因组数据的能力；外部验证至关重要。
基于深度学习的二维椭圆框区域脑肿瘤分割可行性研究
摘要：在大多数基于深度学习的脑肿瘤分割方法中，训练深度网络需要带注释的肿瘤区域。然而，准确的肿瘤注释对医务人员提出了很高的要求。本研究的目的是利用肿瘤周围的椭圆框区域训练深度分割网络。在所提出的方法中，深度网络通过使用大量未注释的肿瘤图像（其中肿瘤和背景周围有前景（FG）和背景（BG）椭圆框区域）以及少量带有注释肿瘤的患者（<20）来训练。训练首先在未注释的 MRI 上的两个椭圆框上进行初始训练，然后在少量带注释的 MRI 上进行细化训练。我们使用多流 U-Net 进行实验，它是传统 U-Net 的扩展。这使得能够使用来自多模态（例如 T1、T1ce、T2 和 FLAIR）MRI 的互补信息。为了验证所提方法的可行性，在两个胶质瘤数据集上进行了分割实验与评估，并将在测试集上的分割性能与在相同网络但完全由带注释的MRI图像训练的分割性能进行比较。实验表明，所提方法在测试集上获得了良好的肿瘤分割结果，其中在MICCAI BraTS'17和US数据集上肿瘤区域的dice得分为（0.8407，0.9104），肿瘤区域的分割准确率分别为（83.88%，88.47%）。与使用所有带注释的肿瘤训练的网络的分割结果相比，所提方法在MICCAI和US测试集上的分割性能下降分别为（0.0594，0.0159）和（8.78%，2.61%），但下降幅度相对较小。我们的案例研究表明，使用椭圆框区域代替所有注释的肿瘤来训练网络进行分割是可行的，并且可以被视为一种替代方案，这是在节省医学专家注释肿瘤的时间和分割性能的轻微下降之间的权衡。