XiaoMi-AI文件搜索系统
World File Search System分割
物体检测可改善罕见脑肿瘤 MR 图像中的肿瘤分割
摘要：肿瘤病变分割是从 MR 神经放射图像中研究和描述癌症的关键步骤。目前，许多深度学习分割架构已被证明在它们所训练的特定肿瘤类型上表现良好（例如，大脑半球的胶质母细胞瘤）。然而，在给定肿瘤类型上进行大量训练的高性能网络可能在没有标记病例允许训练或迁移学习的罕见肿瘤类型上表现不佳。然而，由于常见肿瘤和罕见肿瘤在病变内和周围存在一些视觉相似性，因此可以将问题分为两个步骤：物体检测和分割。对于每个步骤，在常见病变上训练过的网络可以按照域自适应方案用于罕见病变，而无需额外的微调。这项工作提出了一种弹性肿瘤病变描绘策略，该策略基于实现检测和分割的已建立的基本网络的组合。我们的策略使我们能够在训练期间对位于未见肿瘤背景区域中的罕见肿瘤实现稳健的分割推断。以弥漫性内生性脑桥胶质瘤 (DIPG) 为例，我们无需进一步训练或网络架构调整即可实现 0.62 的平均骰子分数。
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。
使用动态光学造影剂成像（DOCI）的基于机器学习的肿瘤分割和分类
t yler v asse 1，2†，y Azeed a lhiyari Ph.d 1†，l auran k。e Vans M.D.3，4，Ramesh Shori Ph.D 3。 m aie s t。 J OHN MD。 ph.d 1,4,6（*），T uan V o -d inh Ph.d 1，2，5（*）1 Fitzpatrick Photonics，Duke University;美国北卡罗来纳州达勒姆市27708，美国2杜克大学生物医学工程系；美国北卡罗来纳州达勒姆市27708，美国3头颈外科，加利福尼亚大学戴维·格芬医学院；洛杉矶，美国加利福尼亚州90025，美国4头和颈癌计划；洛杉矶大学；洛杉矶，加利福尼亚州90025，美利坚合众国5杜克大学化学系；美国北卡罗来纳州达勒姆市27708，美国6 Jonsson综合癌症中心，洛杉矶大学医学中心；美国美国加利福尼亚州洛杉矶90025†这些作者同样为这项工作做出了同样的贡献。3，4，Ramesh Shori Ph.D 3。m aie s t。J OHN MD。ph.d 1,4,6（*），T uan V o -d inh Ph.d 1，2，5（*）1 Fitzpatrick Photonics，Duke University;美国北卡罗来纳州达勒姆市27708，美国2杜克大学生物医学工程系；美国北卡罗来纳州达勒姆市27708，美国3头颈外科，加利福尼亚大学戴维·格芬医学院；洛杉矶，美国加利福尼亚州90025，美国4头和颈癌计划；洛杉矶大学；洛杉矶，加利福尼亚州90025，美利坚合众国5杜克大学化学系；美国北卡罗来纳州达勒姆市27708，美国6 Jonsson综合癌症中心，洛杉矶大学医学中心；美国美国加利福尼亚州洛杉矶90025†这些作者同样为这项工作做出了同样的贡献。
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�
通过逐步学习的电池单元的一声分割
由于电动汽车和电池储能系统的重要性日益严重，因此必须在生产过程中和生产后确保电池安全性。一个方面是内部结构的可视化，可以通过计算机断层扫描（CT）作为一种非破坏性测试（NDT）方法来实现。深度学习工具可以快速学习和执行不同的图像处理任务。但是，在大多数设置中，生成训练这些工具所需的标记数据很昂贵。因此，这项工作通过逐步学习（GL）解决了CT体积中阳极和阴极的分割，该技术仅需要单个注释的体积切片。该技术利用了相邻切片之间的高相似性，并应用于电池堆栈细胞和圆柱形细胞。对于堆栈细胞，使用了平移相似性，这导致平均增益比联合（IOU）点相交0.09。对于圆柱细胞，提出了沿旋转中心切片的顺序分割。这导致GL应用之前的堆栈单元的较高初始IOU为0.78 vs. 0.73。对于圆柱细胞类型的GL的IOU增益为0.01 iOU点较小，但由于去除其余的伪影时，定性样品显示出改善。