XiaoMi-AI文件搜索系统
World File Search Systemsegmentation
学习关节表面重建和分割，从大脑图像到皮质表面分割
从 MRI 重建和分割皮质表面对于广泛的大脑分析至关重要。然而，大多数方法遵循多步骤的缓慢过程，例如连续的球面膨胀和配准，这需要相当长的计算时间。为了克服由这些多步骤引起的限制，我们提出了 SegRecon，这是一种集成的端到端深度学习方法，只需一个步骤即可直接从 MRI 体积联合重建和分割皮质表面。我们训练一个基于体积的神经网络来预测每个体素到多个嵌套表面的有符号距离以及它们在图谱空间中对应的球面表示。例如，这对于联合重建和分割白质到灰质界面以及灰质到脑脊液（软脑膜）表面很有用。我们通过在 MindBoggle、ABIDE 和 OASIS 数据集上进行的一组全面实验来评估我们的表面重建和分割方法的性能。我们发现，重建误差小于 0.52 毫米，而与 FreeSurfer 生成表面的平均 Hausdorff 距离则小于 0.97 毫米。同样，分割结果显示，与 FreeSurfer 相比，平均 Dice 值提高了 4% 以上，此外，在标准台式机上，计算时间从几小时大幅加快到几秒。
基于改进的k-neareb邻居和欧几里得聚类分割的锂电池表面缺陷的新方法
急剧降低加工效果。对于选择参数D，我们必须考虑点云数据收集的密度。当距离太小时，可以选择致密点，但是某些缺陷点会损失；当距离太大时，很难选择所有离群值D需要达到平衡的距离（图8b）。和最后，要确定体素网格的密度ρ从边缘去除稀疏体素，这反映了体素网格k-邻域中点云的密度（图8C）。因此，在此仿真示例中，提出的算法的参数配置如下：n = 12，d = 1，ρ= 0.5。
通过逐步迁移学习在有限数据场景下实现专家级儿童脑肿瘤分割
年龄（岁）中位数（范围） 7 (1 - 23) 8 (1 – 19) 性别 n (%) 女性 84 (45.7%) 53 (53%) 男性 94 (51.1%) 47 (47%) 未知 6 (3.2%) 0 种族/民族 n (%) 非西班牙裔 高加索人/白种人 124 (67.4%) 68 (68%) 非裔美国人/黑人 24 (13.0%) 5 (5%) 西班牙裔/拉丁裔 17 4 (4%) 亚裔美国人/亚洲人 3 (1.6%) 4 (4%) 其他/未知 33 (17.9%) 19 (19%) 组织学诊断 n (%) 毛细胞星形细胞瘤 58 (31.5%) 34 (34%) 毛粘液样星形细胞瘤 10 (5.4%) 0 青少年毛细胞星形细胞瘤 0 13 (13%) 神经节胶质瘤 1 (0.5%) 11 (11%) 少突胶质细胞瘤 1 弥漫性星形细胞瘤 9 (4.9%) 3 (3%) 纤维状星形细胞瘤 13 (7.1%) 0 视神经通路胶质瘤 27 (14.7%) 3 (3%) 其他低级别胶质瘤/星形细胞瘤 65 (35.3%) 36 (36%) 原发肿瘤部位 n (%) 后颅窝 45 (24.5%) 28 (28%) 颞叶 13 (7.1%) 18 (18%) 额叶 7 (3.8%) 2 (2%) 小脑 0 18 (18%) 鞍上 21 (11.4%) 6 (6%) 视神经通路 27 (14.7%) 3 (3%)
基于差异进化的神经结构搜索脑血管分割
脑血管分析对于开发神经退行性疾病的新型治疗靶标至关重要。这样的准确分析不能手动执行，而需要半自动或完全自动化的方法。深度学习方法最近已证明对医学图像的自动分割和分析必不可少。但是，优化深度学习网络体系结构是另一个挑战。手动选择深度学习网络体系结构并调整其超参数需要大量的专业知识和精力。为了解决这个问题，文献中提出了探索具有高分从细分性能的更高效网络体系结构的神经体系结构搜索（NAS）方法。这项研究介绍了基于差异进化的NAS方法，其中提出了新的搜索空间以用于脑血管分割。我们选择了经常用于医学图像分割的两个架构，即u-net和注意U-net，作为NAS优化的基准。传统的差异进化和基于反对的差异进化与新型搜索空间一起用作NAS中的搜索方法。此外，我们进行消融研究并评估特定损失函数，模型修剪，阈值选择和概括性能对所提出模型的影响。实验是在提供335个单渠道8位灰度图像的两个数据集上进行的。这些数据集是公共体积脑血管系统数据集（CONSEINN）和我们自己的名为Kuvesg的数据集。所提出的NAS方法，即UNAS-NET和COATION UNAS-NET体系结构，就不同的分割指标而言产生了更好的分割性能。更具体地说，具有差分进化的UNAS-NET揭示了高骰子得分/敏感性值分别为79.57/81.48。此外，它们的推理时间比基线方法短9.15。
基于CNN和阈值分割的脑肿瘤检测模型
这项研究提出了针对大脑图像的基于全球阈值的机器学习算法。对于每个段，该网络使用各种补丁大小和决策树收集多尺度数据，从而确保该方法捕获了准确的分割信息。对于该方法，只需要一个解剖学MR图像。此方法获得了De-Noise图片和清洁图像数据。脑功能障碍的主要原因包括脑部疾病或恶性肿瘤。肿瘤是一块很小的脑组织，无法控制地生长。世界上大多数人口都患有脑部疾病，近100亿人从脑肿瘤中丧生（Cha，2006）。这是大脑的MRI。找到肿瘤，使用MRI扫描。由于分段和
深度学习在磁共振图像胎儿大脑分割中的应用综述
对于许多临床应用（包括胎儿成像）而言，大脑分割通常是定量分析大脑的第一步，也是最关键的一步。在磁共振成像 (MRI) 中，胎儿大脑的分割面临不同的挑战，例如由于胎儿在检查过程中的运动而导致的胎儿位置不标准、大脑快速发育以及图像数据有限。近年来，已经提出了几种分割方法，用于自动从 MRI 图像中分割胎儿大脑。这些算法旨在定义具有不同形状和强度的感兴趣区域，涵盖整个大脑或隔离特定结构。深度学习技术，特别是卷积神经网络 (CNN)，已成为该领域最先进的方法，因为它们可以在异构数据集上提供可靠的分割结果。在这里，我们回顾了在胎儿大脑分割领域开发的深度学习算法，并根据其目标结构对其进行分类。最后，我们讨论了胎儿领域文献中已知的研究差距，并提出了可能影响胎儿 MRI 图像管理的未来研究方向。
source-free-domain-adaptive-fundus-image-segmentation- ...
摘要。本文研究了无源域的自适应基础分段，旨在使用未标记的图像将经过预告片的眼底分割模型调整为目标域。这是一项具有挑战性的任务，因为仅使用未标记数据调整模型是高度风险的。大多数现有方法主要是通过设计技术来仔细生成模型预测的伪标签并使用伪标签来训练模型来解决此任务。在经常获得正适应作用的同时，这些方法与两个主要问题有关。首先，它们往往相当不稳定 - 不正确的伪标签突然出现可能会对模型产生灾难性影响。第二，他们无法考虑前景（例如，杯子）区域通常很小的眼底图像的严重阶级失衡。本文旨在通过提出级别平衡的平均教师（CBMT）模型来解决这两个问题。CBMT通过提出一个弱小的卑鄙的教师学习计划来解决不稳定的问题，在该计划中，只有教师模型才能从弱增强的图像中生成伪标签，以训练学生模型以强烈的增强图像作为输入。教师被更新为训练有素的学生的平均值，这可能很吵。这阻止了教师模型突然受到伪标签的突然影响。对于类不平衡问题，CBMT提出了一种新型的损失校准方法，以根据全球统计数据突出前景类别。实验表明，CBMT很好地解决了这两个问题，并且在多个基准测试中的现有方法优于现有方法。
使用UNET-FEW SHOT示意图分割的脑肿瘤分割
摘要。早期发现和确定适当的治疗技术将建立癌症患者的耐力。诊断和治疗脑肿瘤的关键步骤是准确可靠的分割。鉴于其形状不平坦和不透明的边界，神经胶质瘤是最困难的脑癌之一。由于其设计存在显着差异，因此，神经胶质瘤脑生长的程序划分是一个流体主题。在本文中报告了改进的基于UNET的设计，用于自动从MRI图像中对脑肿瘤进行自动分割。培训语义部模型需要大量的精细澄清信息，这使得迅速适应不符合此要求的不熟悉类的挑战。最初的射击细分试图解决此问题，但存在其他缺陷。因此，在本文中讨论了几乎没有示意的示意图分割，以分解同时将原始分类与基本类别和足够模型分类的投机能力。上下文感知的原型学习（CAPL），用于通过利用早期信息从帮助测试中出现早期信息，并逐步增强逻辑数据到分类器，并根据每个问题图片的实质模制。结果揭示了开发模型的表现。
Zika暴露正常婴儿的大脑MRI分割显示较小的杏仁核
1加利福尼亚大学戴维斯分校放射科，美国加利福尼亚，美国，美国2放射学系，米勒医学院，迈阿密大学，迈阿密大学，迈阿密，佛罗里达州，佛罗里达州，美国，美国3号，杰克逊纪念医院，迈阿密，佛罗里达州杰克逊纪念医院美国，美国米勒大学米勒医学院5位儿科感染疾病5司，迈阿密大学，迈阿密大学，佛罗里达州迈阿密大学，美国，美国，新生儿学系6号新生儿学系，米勒大学，迈阿密大学，迈阿密大学，迈阿密，佛罗里达州迈阿密大学，美国7号，迈阿密，迈阿密，迈阿密，米利亚姆7号。美利坚合众国
基于分层解耦卷积的特征交互网络用于三维医学图像分割
手动图像分割非常耗时，需要一种自动、准确的方法来利用富含上下文信息的三维医学图像分割多模态脑肿瘤，以用于临床治疗决策和手术计划。然而，由于肿瘤的多样性和子区域间复杂的边界相互作用，而有限的计算资源阻碍了高效神经网络的构建，利用深度学习实现医学图像的精确分割是一项挑战。我们提出了一种基于分层解耦卷积网络和注意机制的特征融合模块来提高网络分割的性能。我们用特征融合模块替换了U型网络的跳过连接来解决类别不平衡问题，从而有助于分割更复杂的医学图像。我们引入了全局注意机制来进一步融合编码器学习到的特征并探索上下文信息。对所提出的方法进行了增强肿瘤、整个肿瘤和肿瘤核心的评估，在 BraTS 2019 数据集上分别实现了 0.775、0.900 和 0.827 的 Dice 相似系数指标，在 BraTS 2018 数据集上分别实现了 0.800、0.902 和 0.841 的 Dice 相似系数指标。结果表明，我们提出的方法本质上是通用的，是脑肿瘤图像研究的有力工具。我们的代码可在以下位置获得：https://github.com/WSake/Feature-interaction-network-based-on-Hierarchical-Decoupled-Convolution。