XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
脑肿瘤分割的聚集和注意网络
抽象背景：神经胶质瘤是一种恶性脑肿瘤；它的位置很复杂，很难通过手术去除。诊断性脑肿瘤，医生可以使用医学图像精确地诊断和定位该疾病。 然而，计算机辅助诊断的脑肿瘤诊断仍然是问题，因为脑肿瘤的粗糙分割使肿瘤的内部成绩不正确。 方法：在本文中，我们提出了一个用于脑肿瘤分割的聚集和注意网络。 提出的网络将U-NET作为主链，汇总多尺度语义信息，并专注于至关重要的信息以执行脑肿瘤分割。 为此，我们提出了一个增强的下采样模块和上采样层，以补偿信息损失。 多尺度连接模块是结构编码器和解码器之间的多触发语义融合。 此外，我们设计了一个双重注意融合模块，该模块可以提取和增强磁共振成像的空间关系，并在所提出的网络的不同部分中应用深度监督的策略。 结果：实验结果表明，与ART网络相比，提出的框架的性能是BRATS2020数据集中最好的。 所提出的框架的性能超过了所有比较网络，其四个索引的平均精度分别为0.860、0.885、0.932和1.2325。 关键词：脑胶质瘤，图像分割，医学诊断，卷积神经网络诊断性脑肿瘤，医生可以使用医学图像精确地诊断和定位该疾病。然而，计算机辅助诊断的脑肿瘤诊断仍然是问题，因为脑肿瘤的粗糙分割使肿瘤的内部成绩不正确。方法：在本文中，我们提出了一个用于脑肿瘤分割的聚集和注意网络。提出的网络将U-NET作为主链，汇总多尺度语义信息，并专注于至关重要的信息以执行脑肿瘤分割。为此，我们提出了一个增强的下采样模块和上采样层，以补偿信息损失。多尺度连接模块是结构编码器和解码器之间的多触发语义融合。此外，我们设计了一个双重注意融合模块，该模块可以提取和增强磁共振成像的空间关系，并在所提出的网络的不同部分中应用深度监督的策略。结果：实验结果表明，与ART网络相比，提出的框架的性能是BRATS2020数据集中最好的。所提出的框架的性能超过了所有比较网络，其四个索引的平均精度分别为0.860、0.885、0.932和1.2325。关键词：脑胶质瘤，图像分割，医学诊断，卷积神经网络结论：拟议框架的框架和模块是科学和实用的，可以提取和汇总有用的语义信息并增强神经胶质瘤分割的能力。
脑部 MRI 图像的半监督分割
虽然神经网络架构的进步已导致语义分割任务最近取得了重大进展，但获取大量标记分割掩码的挑战限制了它在医学图像分析等实际应用中的广泛使用。这导致了一系列专注于半监督分割的新兴工作，其中可以使用大量未标记数据和少量标记数据来训练分割模型。半监督分类的最新研究表明，当有效使用一致性正则化等简单技术时，性能提升可能非常显著。在这项工作中，我们探索了一致性正则化在半监督分割中的有效使用，并表明当我们将一致性损失与选择信息标记图像的鉴别器结合使用时，生成的模型在多个标准基准上的表现明显优于之前的半监督语义分割工作。我们的实现代码可在 https://github.com/samottaghi/brain-segmentation 上找到。
使用 U-Net 自动分割胃肠道
摘要 — 医学图像处理极大地改变了医疗保健的格局，特别是在各种疾病的诊断和治疗方面。胃肠道 (GI) 癌症已成为一个快速增长的问题，估计每年报告的新病例有 500 万例。为了达到这种精度，医疗保健专业人员现在利用尖端的磁共振成像 (MRI) 模式，即 MR-Linacs，它可以提供肿瘤位置的每日视图。然而，这一过程中的一个瓶颈出现在从获得的医学图像中手动分割处于危险中的健康器官（如胃和肠）的过程中。这项由放射科医生执行的任务非常耗时，可能会大大延长治疗时间，从而加剧患者的痛苦。因此，胃肠道分割的自动化可以无缝地帮助肿瘤学家。我们的研究提出了一种自动分割胃肠道的模型。本研究提出了一个 U-Net 模型，可以从 MRI 扫描中分割胃和肠。该数据集来自威斯康星大学麦迪逊分校卡博内癌症中心，包含用于训练注释的 RLE 编码掩码以及 16 位灰度 PNG 图像。每个病例包含多个扫描切片，按时间或整个病例分割。我们的方法使用了 U-Net 上的各种损失函数组合来提高胃肠道自动分割的准确性和效率。与其他损失函数相比，我们的模型使用 Dice+BCE 损失函数实现了较高的准确性。在训练数据集上，采用 Dice+BCE 损失函数的 U-Net 模型获得了最高的骰子分数 0.9082 和 IOU 分数 0.8594。在验证数据集上，该模型的骰子分数为 0.8974，交并比 (IoU) 分数为 0.8181。这项研究有助于解决与手动胃肠道分割相关的挑战，通过使用深度学习技术进行自动分割提供了可行的解决方案。关键词 — 磁共振成像 (MRI)、组合损失函数、U-Net、威斯康星大学麦迪逊分校 Carbone 癌症中心、胃肠道分割
皮质钙动力学的数据驱动分割
在整个大脑半球体上神经元钙通量的经颅视频中解散信号是在映射皮质组织特征之前的关键步骤。在这里我们揭示了独立的成分分析可以最佳地恢复神经信号的含量，以捕获的神经元记录，以最小采样率为1.5×10 6像素，每100毫秒框架以17分钟的速度以1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1：1。我们表明，从组件获得的一组空间和时间指标可用于构建一个随机的森林分类器，该分类器可自动以人为性能分离神经活动和伪影组件。使用此数据，我们建立了小鼠皮层的功能分割，以每个半球体提供〜115个域的图，其中提取的时间课程最大地表示每个记录中的基本信号。域图显示了大量的区域基序，高阶皮质区域呈现出较大的怪异结构域，而较小的圆形域则是原发性感觉区域中的较小圆形区域。数据驱动的视频分解和信号源的机器层化的工作流程可以极大地增强复杂脑动力学的高质量映射。
基于AI的术中胶质母细胞瘤高光谱
胶质母细胞瘤手术切除是神经外科医生的问题任务。肿瘤完全切除可提高患者的愈合机会和预后，而过度切除可能导致神经缺陷。然而，外科医生的视力几乎无法追溯肿瘤的范围和边界。的确，大多数手术过程都会导致小计切除术。组织病理学测试可能会完全消除肿瘤，尽管由于组织检查所需的时间是不可行的。几项研究报告了具有独特的分子特征和特性的肿瘤细胞。高光谱成像（HSI）是一种新兴的，非接触，非离子化，无标签和微创光学成像技术，能够在分子水平上提取有关观察到的组织的信息。在这里，我们利用了广泛的数据增强，转移学习，U-NET ++和DEEPLAB-V3+体系结构，以执行术中胶质母细胞瘤性超光谱图像的自动端到端分割，以符合竞争性处理时间和涉及金额标准过程的竞争性处理时间和细分结果。基于旋转框架提供的地面真理，我们大大改善了HSIS的处理时间，从而实现了针对手术开放式颅骨手术期间实时加工的胶质母细胞瘤的端到端分段，从而改善了金标准ML Pipeline。我们测量了有关MATLAB 2020a提供的标准CUDA环境的竞争推论时间。此外，我们在定性和定量上评估了分割结果。最快的平行版本最快的螺旋叶素得以阐述数据库中最突出的图像，而我们的方法论则在0.29±0.17 s中执行分割推断，因此对处理对处理的21秒构成了实时符合性的约束。
使用启发式方法校正稳健的心脏分割
与心脏右侧有关的心血管疾病，例如肺部高血压，是墨西哥（和全球）人口中的一些主要死亡原因。为了避免侵入性技术，例如使心脏插入心脏，改善医学超声心动图系统的细分性能可以是早期检测与心脏右侧有关的疾病的一种选择。虽然当前的医学成像系统在心脏的左侧自动进行良好的分割，但他们通常会努力策划右侧腔。本文基于流行的U-NET体系结构，介绍了一种强大的心脏分割算法，能够通过减少的训练数据集准确地分割这四个腔。此外，我们提出了两个其他步骤，以提高机器学习模型中的结果质量，1）一种分割算法，能够准确检测锥形形状（因为已经对其进行了多个数据源进行了培训和完善）和2）2）一个后处理步骤，该步骤可根据SEG的形状和基于SEG-INTICATION的形状和轮廓，该步骤是根据SEG-Intication the Hearicians提供的。我们的结果表明，所提出的技术达到的分割精度可与通常用于此实践的数据集以及我们的医疗团队编制的数据集中的最新方法相媲美。此外，我们在相同的图像序列中测试了后处理校正步骤的有效性，并证明了其与临床医生进行的手动分段的一致性。
NICOL机器人的对象检测和分割
本报告在德国汉堡大学的知识技术研究小组中介绍了我的四个月实习。这项实习的目标是在与Nicol机器人的对象检测领域中找到一个研究主题，并在此主题上工作。实习涉及使用ROS和凉亭在模拟环境中的开发和测试，在Nicol机器人上实施3D摄像机以及对象探测器的研究。此多学科实习包括研究小组中的模拟，材料集成，项目手势和协作。最后，他为改善我对英语的掌握，演讲技巧以及为我提供了出色的跨文化经验做出了贡献。
极端监督实例细分
本文介绍了一种新颖的方法，可以使用极端点，即每个对象的最上方，最左侧，最左侧，bottommost和最右点进行学习。这些要点在现代边界框注释过程中很容易获得，同时为预分段提供了强大的线索，因此可以使用盒子监督的方法以相同的注释成本来提高性能。我们的工作将极端点视为真实实例掩盖的一部分，并传播它们以识别潜在的前面和背景点，它们全部用于训练伪标签生成器。然后，发电机给出的伪标签又用于监督我们的最终模型。在三个公共基准测试中，我们的方法大大优于现有的盒子监督方法，以完全监督的对应物进一步缩小了差距。尤其是，当目标对象分为多个部分时，我们的模型会生成高质量的掩码，而以前的盒子监督方法通常会失败。
对 MRI 图像分割的定性研究...
摘要 — 神经系统疾病是指因结构、生化或电异常而影响大脑、全身神经和脊髓的疾病。由于神经系统复杂，这些疾病的诊断、管理和治疗被认为是医疗保健系统中最具挑战性的。然而，现代技术已经减轻了与神经系统诊断相关的挑战的强度。由于神经系统的结构、生物化学和电活动的变化，这些疾病会引起各种症状。MRI 是评估脑血管损伤和排除神经系统疾病其他潜在原因的常用工具。MRI 技术的进步扩展了我们对神经生物学变化的理解，提供了新的神经成像工具。整合这些技术使医生能够准确诊断神经系统疾病，同时排除其他医疗状况。