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。
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。
摘要 - 这项研究提供了深度学习模型的比较分析 - UNET,RES-UNET,RES-RES-UNET和NNUNET,可评估其在脑瘤,息肉和多级心脏分段任务中的表现。分析侧重于精确,准确性,召回,骰子相似性系数(DSC)和联合(IOU)的相交以评估其临床适用性。在脑肿瘤分割,RES-UNET和NNUNET中明显胜过UNET,在DSC和IOU分数中,RES-UNET领先,表明肿瘤描述的准确性均出色。同时,NNUNET在召回和准确性方面表现出色,这对于临床诊断和计划中可靠的肿瘤检测至关重要。在息肉检测中,NNUNET是最有效的,在所有类别中达到了最高的指标,并将其作为内窥镜检查中可靠的诊断工具证明了它。在复杂的心脏细分任务中,RES-UNET和RES-UNET在描述左心室方面非常出色,RES-UNET也导致右心室分割。nnunet在心肌分段中无与伦比,在精确,召回,DSC和IOU中取得了最高分数。结论指出,尽管有时会在特定指标中表现出色,但差异很小。NNUNET始终在整个实验中显示出卓越的整体性能。索引术语 - 深度学习,UNET,RES-UNET,RES-UNET,NNUNET,医学成像细分,临床应用特别是因为其高召回和准确性而引起的,这在临床环境中至关重要,可以最大程度地减少误诊并确保及时治疗,NNUNET在所有测试类别中的关键指标中的稳健表现将其确立为这些变化和复杂的分割任务的最有效模型。
摘要胃肠癌的发生率仍然很高,尤其是在中国,强调了准确的预后评估和有效治疗策略的重要性。研究表明,腹部肌肉与脂肪组织组成与患者结局之间的相关性很强。但是,分析腹部组织组成的现有手动方法是耗时且昂贵的,限制了临床研究的可伸缩性。为了应对这些挑战,我们开发了一种AI驱动的工具,用于自动分析AB-DOMINAL CT扫描,以有效地识别和分割脂肪,皮下脂肪和内脏脂肪。我们的工具集成了多视图本地化模型和基于高精度的2D NNUNET分割模型,证明了局部iZation精度为90%,骰子得分系数为0.967,用于分割。此外,它具有交互式界面,使临床医生可以完善分割结果,从而有效地确保高质量的结果。我们的工具提供了一种标准化的方法,可有效提取关键的腹部组织,有可能增强胃肠道癌的管理和治疗。代码可在https://github.com/nanxinyu/ai-tool4abdominal-seg.git上找到。
像 UNet 这样的监督式深度学习网络在分割脑部异常(如病变和肿瘤)方面表现良好。然而,这类方法被提出用于单模态或多模态图像。我们使用混合 UNet Transformer (HUT) 来提高单模态病变分割和多模态脑肿瘤分割的性能。HUT 由两个并行运行的管道组成,其中一个基于 UNet,另一个基于 Transformer。基于 Transformer 的管道在训练期间依赖于 UNet 解码器中间层中的特征图。HUT 网络采用 3D 脑容量的可用模态,并将脑容量嵌入体素斑块中。系统中的变压器提高了全局注意力和体素斑块之间的长程相关性。此外,我们在 HUT 框架中引入了一种自监督训练方法,以提高整体分割性能。我们证明,在中风后病变解剖追踪 (ATLAS) 数据集的单模态分割中,HUT 的表现优于最先进的网络 SPiN,Dice 得分高出 4.84%,Hausdorffi 距离得分高出 41%。HUT 在脑肿瘤分割 (BraTS20) 数据集的脑部扫描中也表现良好,并且比最先进的网络 nnUnet 的 Dice 得分高出 0.96%,Hausdorffi 距离得分高出 4.1%。