XiaoMi-AI文件搜索系统
World File Search Systemsegment
开发和验证两阶段卷积神经网络算法，用于分割MRI白质超强度，用于纵向研究
背景：卡达西尔（Cadasil）的白质超强度（WMH）的分割是最严重的遗传起源小脑小血管之一，具有挑战性。方法：我们根据卷积神经网络（CNN）al-gorithm进行了自动方法，并使用了132名患者获得的2D和/或3D FLAIR和T1加权图像的大数据集，以在这种情况下测量WMH的进展。结果：使用此方法测量的WMH的体积与专家验证的参考数据密切相关。WMH分割也明显改善。结合了两个连续的学习模型特别感兴趣，从而减少了假阳性体素的数量以及单级过程后检测到的分割不足的程度。使用两阶段方法，WMH进展与从参考掩模中得出的病变的度量随着年龄的增长而增加，以及与单个级别的可变WMH进展轨迹相关。我们还确认了WMH初始负载的预期影响以及MRI获取类型对此进展的测量的影响。结论：总的来说，我们的发现表明，可以通过CNN分割算法自动测量卡达西尔的WMH进展。
A2V：通过两阶段训练血管造影到静脉造影转换进行脑血管分割的半监督域自适应框架
我们提出了一个半监督域自适应框架，用于从不同的图像模态中分割脑血管。尽管可用的脑血管成像技术范围很广，但现有的最先进的方法只关注单一模态。这可能导致显著的分布变化，从而对跨模态的泛化产生负面影响。通过依赖带注释的血管造影和有限数量带注释的静脉造影，我们的框架完成了图像到图像的转换和语义分割，利用解开的、语义丰富的潜在空间来表示异构数据并执行从源域到目标域的图像级自适应。此外，我们降低了基于循环的架构的典型复杂性并最大限度地减少了对抗训练的使用，这使我们能够构建一个具有稳定训练的高效、直观的模型。我们在磁共振血管造影和静脉造影上评估了我们的方法。在源域中实现最佳性能的同时，我们的方法在目标域中的 Dice 得分系数仅低 8.9％，凸显了其在不同模态下进行稳健脑血管图像分割的巨大潜力。
胎儿脑组织注释和分割挑战赛结果
Kelly Payette a , b , * , Hongwei Bran Li c , d , Priscille de Dumast e , f , Roxane Licandro g , h , Hui Ji a , b , Md Mahfuzur Rahman Siddiquee i , j , Daguang Xu j , Andriy Myronenko j , Liu Kang , Peng Wang , Lichen Ying l , Juanying Xie l , Huiquan Zhang l , Guiming Dong m , Hao Fu m , Guotai Wang m , ZunHyan Rieu n , Donghyeon Kim n , Hyun Gi Kim o , Davood Karimi p , Ali Gholipour p , Helena R. Torres q , r , s , t , Bruno t , Bruno t , L ˜ a t . Vilaça q , Yang Lin u , Netanell Avisdris v , w , Ori Ben-Zvi w , x , Dafna Ben Bashat w , x , y , Lucas Fidon z , Michael Aertsen aa , Tom Vercauteren z , Daniel Sobotka ab , Georg Langs ab , Mireia Aleny ` a acda Maria Inmacula , Oscar Belle a Specktor Fadida v , Leo Joskowicz v , Liao Weibin af , Lv Yi af , Li Xuesong af , Moona Mazher ag , Abdul Qayyum ah , Domenec Puig ag , Hamza Kebiri e , f , Zelin Zhang ai , Xinyi Xu ai , Dan Wu ai , Kuan Wu aj , Jian Jian , Jian Yuz hi Xu ai , Li Zhao ai , Lana Vasung ak , al , Bjoern Menze c , Meritxell Bach Cuadra e , f , Andras Jakab a , b , am
识别核心 MRI 序列以实现可靠的自动脑转移分割
a 慕尼黑工业大学伊萨尔医院放射肿瘤学系；b 德国转化放射治疗联盟 (DKTK)，慕尼黑合作伙伴网站；c 慕尼黑亥姆霍兹中心放射医学研究所 (IRM)、放射科学系 (DRS)；d 信息学系；e 德国慕尼黑工业大学 TranslaTUM - 中央转化癌症研究所；f 瑞士苏黎世苏黎世大学医院放射肿瘤学系；g 马格德堡大学医院放射肿瘤学系；h 德国耶拿弗里德里希席勒大学耶拿大学医院放射治疗和放射肿瘤学系；i 瑞士苏黎世苏黎世大学医院定量生物医学系；j 诊断和介入神经放射学系； k 慕尼黑工业大学伊萨尔右翼医院神经外科系，慕尼黑；l 海德堡大学医院放射肿瘤学系；m 海德堡放射肿瘤学研究所 (HIRO)，国家放射肿瘤学中心 (NCRO)，海德堡；n 德国哥廷根大学医学中心放射肿瘤学系；o 瑞士阿劳州立大学阿劳分校 KSA-KSB 放射肿瘤学中心；p 富尔达综合医院放射肿瘤学系，富尔达；q 基尔石勒苏益格-荷尔斯泰因大学医学中心放射肿瘤学系；r 弗莱堡大学医学中心放射肿瘤学系；s 德国癌症联盟 (DKTK)，弗莱堡合作伙伴中心，弗莱堡，德国；t 塞浦路斯利马索尔欧洲大学德国肿瘤中心放射肿瘤学系； u 法兰克福及德国北部 Saphir 放射外科中心，Guestrow；v 法兰克福大学医院神经外科系，法兰克福；w 慕尼黑工业大学医学人工智能与信息学研究所，慕尼黑；x 亥姆霍兹人工智能，亥姆霍兹慕尼黑中心，诺伊尔贝格，德国
将动态MRI的深度学习膀胱分割的损失函数结合起来
摘要 - 植物遗传疾病主要影响妇女，并成为一个公共卫生问题，尽管他们的病理生理学仍然知之甚少。作为主要的器官经历了针对病理学的运动和变形，动态MRI是现在的放射科医生的金标准。器官边界，器官形状的受试者间变异性和病理畸形使得段难以执行。为了开发一个朝着病理分级的成像软件，器官边界的MRI分割的准确性是一个关键标准。自动方法尚未足够准确，无法替代强制性的手动分割步骤。已经开发了使用完全卷积神经网络（FCN）的自动分割方法，但通常用于训练的损耗功能通常不足以适合器官边界检测。我们提出了一个专门用于器官边界检测的损失函数，以增强训练，从而提高结果准确性。使用基线U-NET体系结构[1]对Dynamic 2D MRI的膀胱分割进行了评估该方法。结果表明，与广泛使用的骰子损失相比，我们的边界损失函数以及骰子损失的使用优于现有方法，并提高了分割精度。索引项 - 图像分割，完全卷积的网络，混合损失，距离损失，动态MRI，骨盆
使用重叠块和多类加权交叉熵的基于深度学习的选择性注意的全自动脑肿瘤分割
Mostefa Ben Naceur、Mohamed Akil、Rachida Saouli、Rostom Kachouri。使用重叠块和多类加权交叉熵，通过基于深度学习的选择性注意实现全自动脑肿瘤分割。医学图像分析，2020 年，�10.1016/j.media.2020.101692�。�hal-02533454�
结合简单的交互性和机器学习：一种可分离的深度学习方法，用于 MRI 中的丘脑底核定位和分割，用于深部脑刺激手术规划
结合了影像学和症状学信息。1 由于确定适当电极轨迹的复杂性，必须从术前图像中准确分割出感兴趣的解剖结构。对于 DBS 术前规划，分割主要通过将患者图像配准到图谱空间中来确定，在该图谱空间中，感兴趣的解剖结构（通常是丘脑底核 (STN)）以及其他显著区域已经预先分割。2、3 使用预先分割的图谱有几个优点。从临床角度来看，可以将大量分割区域从图谱移植到患者空间，从而简化工作流程的计算方面。从研究角度来看，使用图谱，可以将患者图像中特定于患者的信息移植回通用图谱坐标系，从而可以辨别出人群信息，这有助于指导治疗。4
对比后 MRI 上原发性脑淋巴瘤自动分割的边界不规则损失
与其他脑肿瘤不同，关于原发性中枢神经系统 (CNS) 淋巴瘤的自动分割研究很少。这是一项具有挑战性的任务，因为肿瘤及其边界的模式高度多变。在这项工作中，我们提出了一种新的损失函数来控制边界不规则性，用于基于深度学习的原发性 CNS 淋巴瘤自动分割。我们引入了一种边界不规则损失，它基于分割和平滑版本的比较。边界不规则损失与之前提出的拓扑损失相结合，以更好地控制不同的连通分量。该方法是通用的，可以用于任何分割网络。我们研究了 99 名原发性 CNS 淋巴瘤患者。从一开始就分离出 40 名患者并形成独立测试集。分割是在对比后 T1 加权 MRI 上进行的。MRI 是在临床常规中获得的，并且高度异质。所提出的方法在各种评估指标上的表现都大大优于基线（Dice 分数高出 6 个百分点，Hausdorff 距离高出 40 毫米，平均表面距离高出 6 毫米）。然而，总体表现一般，突显出自动分割原发性中枢神经系统淋巴瘤是一项艰巨的任务，尤其是在处理临床常规 MRI 时。代码可在此处公开获取：https://github.com/rosanajurdi/LymphSeg 。
使用受约束的球形卷积
1。Amunts K，Mohlberg H，Bludau S，Zilles K. Julich-Brain：人类大脑细胞结构的3D概率地图。Science 2020; 369：988-92。 2。 Andersson JL，Sotiropoulos SN。 一种校正方法的综合方法，以扩散MR成像中的非谐波效应和受试者运动。 Neuroimage 2016; 125：1063-78。 3。 Avants BB，Tustison NJ，Song G，Cook PA，Klein A，Gee JC。 对大脑图像注册中蚂蚁相似性表现的可重复评估。 Neuroimage 2011; 54：2033-44。 4。 Calamante F，Tournier JD，Heidemann RM，Anwander A，Jackson GD，Connelly A. 跟踪密度成像（TDI）：超级分辨率属性的验证。 Neuroimage 2011; 56：1259-66。 5。 Fonov V，Evans A，McKinstry R，Almli C，CollinsD。从出生到成年期，无偏见的非线性平均适合年龄的脑模板。 Neuroimage 2009; 47：S102。 6。 Glasser MF，Smith SM，Marcus DS，Andersson JL，Auerbach EJ，Behrens TE等。 人类Connectome项目的神经影像学方法。 Nat Neurosci 2016; 19：1175-87。 7。 Gutierrez CE，Skibbe H，Nakae K，Tsukada H，Lienard J，Watakabe A等。 用神经示踪剂数据作为参考的基于扩散MRI的光纤跟踪的优化和验证。 SCI REP 2020; 10：21285。 8。 Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。 立体定位空间中的道概率图：白质解剖结构和特定于区域的分析。 Neuroimage 2008; 39：336-47。Science 2020; 369：988-92。2。Andersson JL，Sotiropoulos SN。 一种校正方法的综合方法，以扩散MR成像中的非谐波效应和受试者运动。 Neuroimage 2016; 125：1063-78。 3。 Avants BB，Tustison NJ，Song G，Cook PA，Klein A，Gee JC。 对大脑图像注册中蚂蚁相似性表现的可重复评估。 Neuroimage 2011; 54：2033-44。 4。 Calamante F，Tournier JD，Heidemann RM，Anwander A，Jackson GD，Connelly A. 跟踪密度成像（TDI）：超级分辨率属性的验证。 Neuroimage 2011; 56：1259-66。 5。 Fonov V，Evans A，McKinstry R，Almli C，CollinsD。从出生到成年期，无偏见的非线性平均适合年龄的脑模板。 Neuroimage 2009; 47：S102。 6。 Glasser MF，Smith SM，Marcus DS，Andersson JL，Auerbach EJ，Behrens TE等。 人类Connectome项目的神经影像学方法。 Nat Neurosci 2016; 19：1175-87。 7。 Gutierrez CE，Skibbe H，Nakae K，Tsukada H，Lienard J，Watakabe A等。 用神经示踪剂数据作为参考的基于扩散MRI的光纤跟踪的优化和验证。 SCI REP 2020; 10：21285。 8。 Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。 立体定位空间中的道概率图：白质解剖结构和特定于区域的分析。 Neuroimage 2008; 39：336-47。Andersson JL，Sotiropoulos SN。一种校正方法的综合方法，以扩散MR成像中的非谐波效应和受试者运动。Neuroimage 2016; 125：1063-78。3。Avants BB，Tustison NJ，Song G，Cook PA，Klein A，Gee JC。对大脑图像注册中蚂蚁相似性表现的可重复评估。Neuroimage 2011; 54：2033-44。4。Calamante F，Tournier JD，Heidemann RM，Anwander A，Jackson GD，Connelly A.跟踪密度成像（TDI）：超级分辨率属性的验证。Neuroimage 2011; 56：1259-66。5。Fonov V，Evans A，McKinstry R，Almli C，CollinsD。从出生到成年期，无偏见的非线性平均适合年龄的脑模板。Neuroimage 2009; 47：S102。6。Glasser MF，Smith SM，Marcus DS，Andersson JL，Auerbach EJ，Behrens TE等。人类Connectome项目的神经影像学方法。Nat Neurosci 2016; 19：1175-87。7。Gutierrez CE，Skibbe H，Nakae K，Tsukada H，Lienard J，Watakabe A等。用神经示踪剂数据作为参考的基于扩散MRI的光纤跟踪的优化和验证。SCI REP 2020; 10：21285。8。Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。 立体定位空间中的道概率图：白质解剖结构和特定于区域的分析。 Neuroimage 2008; 39：336-47。Hua K，Zhang J，Wakana S，Jiang H，Li X，Reich DS等。道概率图：白质解剖结构和特定于区域的分析。Neuroimage 2008; 39：336-47。9。Jenkinson M，Bannister P，Brady M，SmithS。改进了对脑图像的鲁棒和准确的线性注册和运动校正的优化。Neuroimage 2002; 17：825-41。10。Jenkinson M，Beckmann CF，Behrens TE，Woolrich MW，