XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
基于DenseNet的多模态脑肿瘤图像分割
脑肿瘤磁共振图像处理算法可以帮助医生对患者病情进行诊断和治疗，在临床医学中有着重要的应用意义。针对传统U-net网络中多模态脑肿瘤图像分割中类别不平衡以及特征融合导致有效信息特征丢失的问题，本文提出一种基于U-net与DenseNet结合的网络模型。将原网络上编码路径和解码路径的标准卷积块改进为dense块，增强特征的传递；采用二元交叉熵损失函数与Tversky系数组成的混合损失函数取代原来的单一交叉熵损失，抑制了不相关特征对分割精度的影响。与U-Net、U-Net++、PA-Net相比，本文算法的分割精度有明显提升，在WT、TC、ET的Dice系数指标上分别达到0.846、0.861、0.782。 PPV系数指标分别达到了0.849、0.883、0.786；与传统U-net网络相比，所提算法的Dice系数指标分别提高了0.8%、4.0%、1.4%，且在肿瘤核心区域和肿瘤增强区域的PPV系数指标分别提高了3%、1.2%；所提算法在肿瘤核心区域分割性能最优，其Sensitivity指标达到了0.924，具有很好的研究意义和应用价值。
全脑放射组学在脑肿瘤分割中的聚类联合个性化
联邦学习及其在医学图像分割中的应用最近已成为一个热门的研究课题。这种训练范式存在参与机构本地数据集之间的统计异质性问题，与传统训练相比，会导致收敛速度减慢以及潜在的准确性损失。为了减轻这种影响，联邦个性化应运而生，即每个机构一个模型的联邦优化。我们提出了一种新颖的个性化算法，该算法针对不同机构使用不同扫描仪和采集参数引起的特征变化而量身定制。该方法是第一个考虑机构间和机构内特征变化（单个机构使用多台扫描仪）的方法。它基于在每个中心内计算一系列放射组学特征，捕捉每个 3D 图像体积的整体纹理，然后进行聚类分析，将所有特征向量从本地机构传输到中央服务器。然后，每个计算出的聚类分散数据集（可能包括来自不同机构的数据）用于微调通过经典联邦学习获得的全局模型。我们在联邦脑肿瘤分割 2022 挑战数据集 (FeTS2022) 上验证了我们的方法。我们的代码可在 (https://github.com/MatthisManthe/radiomics_CFFL) 上找到。关键词：联邦学习、联邦个性化、分割、脑肿瘤分割。
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
一种开源自动分割算法，用于描述多中心肺癌队列中的心脏和子结构的发展和验证
a Department of Oncology, Odense University Hospital, Denmark b Department of Clinical Research, University of Southern Denmark, Denmark c Academy of Geriatric Cancer Research (AgeCare), Odense University Hospital, Denmark d Laboratory of Radiation Physics, Department of Oncology, Odense University Hospital, Denmark e Department of Cardiology, Odense University Hospital, Denmark f Northern Sydney Cancer Centre, Royal North Shore Hospital, St Leonards, NSW, Australia g Department丹麦丹麦H伦敦大学Aarhus大学医院肿瘤学，丹麦I大学AARHUS大学临床医学系Gentofte，丹麦M临床医学系，丹麦哥本哈根大学
HUT：用于脑病变和肿瘤分割的混合 UNet 变换器
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%。
利用时间步长集成扩散模型进行稳健的半监督分割
医学图像分割是一项具有挑战性的任务，许多数据集的大小和注释有限，这使其变得更加困难。去噪扩散概率模型 (DDPM) 最近在对自然图像分布进行建模方面显示出良好的前景，并成功应用于各种医学成像任务。这项工作重点关注使用扩散模型的半监督图像分割，特别是解决领域泛化问题。首先，我们证明较小的扩散步骤生成的潜在表示对于下游任务比较大的步骤更稳健。其次，我们利用这一见解提出了一种改进的集成方案，该方案利用信息密集的小步骤和较大步骤的正则化效应来生成预测。我们的模型在域转换设置中表现出明显更好的性能，同时在域内保持了有竞争力的性能。总的来说，这项工作突出了 DDPM 在半监督医学图像分割中的潜力，并提供了在域转换下优化其性能的见解。关键词：医学图像分割，半监督学习，生成模型
通过扩散来增强皮肤镜损伤的分割...
图像综合方法，例如生成对抗性网络，已成为医学图像分析任务中数据增强的一种形式。克服公共访问数据和提出质量注释的短缺主要是有益的。然而，当前技术通常缺乏对产生的疾病中详细内容的控制，例如疾病模式的类型，病变的位置以及诊断的属性。在这项工作中，我们在生成模型（即扩散模型）中适应了lat-est Advance，并使用使用特异性的视觉和文本提示来生成皮肤镜图像，并使用添加的控制流。我们进一步证明了基于扩散模型的框架比古典生成模型的优势在图像质量和提高皮肤病变上的分割性能方面的优势。它可以使SSIM图像质量度量增加9％，而骰子系数比以前的艺术增加了5％。
定量研究音素分割对撰写样品的四年级学生的影响
本论文是由Ecommons的论文和论文免费带给您的。已被授权的Ecommons管理员纳入研究生论文和论文。有关更多信息，请联系mschlangen1@udayton.edu，ecommons@udayton.edu。
多视角脑肿瘤分割（MVBTS）
图 2. 平面和三平面网络的概念。（a）轴向平面网络，其中在轴向图像上训练的 CA、CCSA 和 SCSA 网络的分割结果被组合以生成结果。同样，我们可以创建一个冠状集合和一个矢状集合。（b）三平面网络的概述，其中在轴向、冠状和矢状图像上训练的单个注意网络（例如 CA 网络）生成的分割结果被组合以生成结果。在三个正交平面上训练的 CCSA 和 SCSA 注意网络会生成类似的分割结果。
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。