XiaoMi-AI文件搜索系统
World File Search System图像分割
找到最可转移的大脑图像分割任务
摘要 - 尽管许多研究已成功地将转移学习应用于医学图像分割，但是当有多个源任务可转移时，很少有人研究了选择策略。在本文中，我们提出了一个基于知识的知识和基于可传递性的框架，以在大脑图像分割任务集合中选择最佳的源任务，以提高给定目标任务上的转移学习绩效。该框架包括模态分析，ROI（感兴趣的区域）分析和可传递性效率，以便可以逐步对源任务选择进行。特别是，我们将最先进的分析转移能力估计指标调整为医学图像分割任务，并进一步表明，基于模态和ROI特征的候选源任务可以显着提高其性能。我们关于脑物质，脑肿瘤和白质超强度分割数据集的实验表明，从同一模式下的不同任务转移通常比在不同方式下从同一任务转移的实验更成功。此外，在相同的方式中，从具有更强的ROI形状相似性与目标任务的源任务转移可以显着提高最终传输性能。可以使用标签空间中的结构相似性指数捕获这种相似性。索引术语 - 转移学习，医学图像分析，来源选择I。
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练过程中的收敛速度提高了 20% 至 40%，在部署过程中的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要的计算内存是后者的 20 倍。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
比较 3D、2.5D 和 2D 脑图像分割方法
摘要 用于自动分割脑部图像的深度学习方法可以分割图像的一片（2D）、五片连续的图像切片（2.5D）或整个图像体积（3D）。目前尚不清楚哪种方法更适合自动分割脑部图像。我们在三个自动分割模型（胶囊网络、UNets 和 nnUNets）中比较了这三种方法（3D、2.5D 和 2D）来分割脑部结构。我们使用在一项多机构研究中获得的 3430 个脑部 MRI 来训练和测试我们的模型。我们使用了以下性能指标：分割准确性、有限训练数据下的性能、所需的计算内存以及训练和部署期间的计算速度。3D、2.5D 和 2D 方法在所有模型中分别给出了最高到最低的 Dice 分数。当训练集大小从 3199 个 MRI 减少到 60 个 MRI 时，3D 模型保持了更高的 Dice 分数。 3D 模型在训练期间的收敛速度提高了 20% 至 40%，在部署期间的收敛速度提高了 30% 至 50%。但是，与 2.5D 或 2D 模型相比，3D 模型需要 20 倍以上的计算内存。这项研究表明，3D 模型更准确，在有限的训练数据下保持更好的性能，并且训练和部署速度更快。但是，与 2.5D 或 2D 模型相比，3D 模型需要更多的计算内存。
Swin Unet3D：结合Vision Transformer和卷积的三维医学图像分割网络
脑肿瘤语义分割在临床治疗中起着至关重要的作用，特别是对于临床中经常使用的三维（3D）磁共振成像（MRI）。自动分割脑肿瘤的三维结构可以帮助医生快速了解肿瘤的形状、大小等属性，从而提高术前规划的效率和手术的成功率。在过去的几十年里，三维卷积神经网络（CNN）一直主导着三维医学图像的自动分割方法，这些网络结构取得了良好的效果。然而为了减少神经网络参数的数量，从业者确保三维卷积操作中卷积核的大小一般不超过7×7×7，这也导致CNN无法学习长距离依赖信息。 Vision Transformer (ViT) 非常擅长学习图像中的长距离依赖信息，但它存在参数过多和缺乏归纳偏差来恢复短距离依赖信息的问题。这
基于 U-Net 的脑部 MRI 图像分割...
摘要 脑肿瘤是脑内异常组织的集合。当脑在颅骨区域内生长时，脑的正常功能可能会受到影响。脑肿瘤对于预防和治疗脑肿瘤对于改善治疗方案和患者生存率至关重要。使用手动方法对大量磁共振成像 (MRI) 图像进行癌症诊断是最复杂和最耗时的任务。脑肿瘤分割必须自动进行。本文提出了一种脑肿瘤分割策略。为此，基于区域和边缘对图像进行分割。本研究使用脑肿瘤分割 2020 (BraTS2020) 数据集。对使用基于边缘和基于区域的方法与带有 ResNet50 编码器架构的 U-Net 进行图像分割进行了比较分析。基于边缘的分割模型在所有性能指标上的表现都优于基于区域的分割模型，并且基于边缘的模型实现了 0.008768 的 Dice 损失分数、0.7542 的 IoU 分数、0.9870 的 f 1 分数、0.9935 的准确度、0.9852 的精确度、0.9888 的召回率和 0.9951 的特异性。关键词：脑肿瘤、卷积神经网络 (CNN)、边缘分割、区域分割、U-Net。
双阈值图像分割的容错量子算法
量子计算固有的高并行性和纠缠特性使得量子图像处理技术成为人们关注的焦点。图像处理中最广泛使用的技术之一是分割，其最基本的形式之一可以使用阈值算法来实现。本文提出了一种容错量子双阈值算法。该算法基于 Clifferd+T 门。由于 T 门增加了容错能力，但代价是成本比其他量子门高得多，因此我们的重点是减少 T 门的数量。这使得最先进的双阈值分割电路能够增加噪声容忍度、计算成本降低和容错能力。由于双阈值图像分割涉及比较操作，因此作为这项工作的一部分，我们实现了两个比较器电路。这些电路优化了 T 计数和 T 深度指标，使其与文献中目前可用的最佳电路比较器相比更胜一筹。
具有多个跳跃连接的注意力 3D U-Net 用于脑肿瘤图像分割
摘要：在使用传统和新型机器学习和深度学习技术的研究人员中，二维医学图像分割模型很受欢迎。此外，由于近年来对三维体积创建进行了大量研究，三维体积数据最近变得更加容易获取。利用这些三维数据，研究人员已经开始研究创建三维分割模型，如脑肿瘤分割和分类。由于使用三维数据可以比二维数据提取出更多关键特征，三维脑肿瘤检测模型在研究人员中越来越受欢迎。到目前为止，各种重要的研究工作都集中在 3D 版本的 U-Net 和其他流行模型上，如 3D U-Net 和 V-Net，同时也做了一些出色的研究工作。在本研究中，我们使用了三维脑图像数据，并基于 3D U-Net 模型创建了一个新架构，该模型使用多个跳过连接和具有成本效益的预训练 3D MobileNetV2 块和注意模块。这些预训练的 MobileNetV2 模块通过提供较小的参数来辅助我们的架构，以在我们的计算能力方面保持可操作的模型大小，并帮助模型更快地收敛。我们在编码器和解码器模块之间添加了额外的跳跃连接，以简化两个模块之间提取特征的交换，从而最大限度地利用特征。我们还使用注意模块来过滤掉通过跳跃连接传入的不相关特征，从而在提高准确性的同时保留了更多的计算能力。
一种适用于航空航天结构的可优化超像素和特征迁移图像分割方法
摘要：缺乏高质量、高度专业化的标注图像以及昂贵的标注成本一直是图像分割领域的关键问题。然而，目前的大多数方法，如深度学习，一般需要大量的训练成本和高质量的数据集。因此，针对小样本图像分割问题，该文提出了一种基于简单线性迭代聚类（SLIC）、特征迁移模型和随机森林（RF）分类器的可优化图像分割方法（OISM）。该方法利用SLIC通过聚类提取图像边界，利用Unet特征迁移模型获取多维超像素特征，利用RF分类器预测和更新图像分割结果。结果表明，所提出的OISM具有可接受的准确率，并且比改进的Unet模型更好地保留了目标边界。此外，OISM 显示出处理涡轮叶片疲劳图像识别的潜力，这也是一种有前途的有效图像分割方法，可以揭示航空发动机部件高性能结构的微观损伤和裂纹扩展。
基于Atlas的新型PET/CT脑图像分割和癫痫的定量方法的临床评估
在临床实践中，视觉解释被广泛用作评估癫痫中PET/CT图像的主观方法。结果在很大程度上取决于诊断医生的经验；因此，该方法具有许多缺点，包括它是高度主观的，难以解释（4）。为了实现客观评估，脑内不对称指数（AI）测量方法使用同一患者正常侧的大脑区域作为评估另一侧的癫痫状态的参考。在大脑的癫痫和正常区域中绘制了相同大小，形状和面积的感兴趣的镜像区域（ROI），并计算其平均标准化吸收值（SUV）和AI值（5）。但是，AI方法在很大程度上取决于医生的诊断经验，并且可重复性差（5,6）。
医学图像分割与分类的文献综述
1 简介 脑肿瘤是一团异常细胞。它有两种类型：恶性和良性。脑肿瘤症状可以是一般的，也可以是预先定义的。一般症状是由肿瘤压迫大脑或脊髓引起的。当大脑的某个部分由于肿瘤而无法正常运作时，就会出现预先定义的症状。研究人员应用不同的成像方式从几个医学成像系统中检测解剖结构 [1, 2]。脑肿瘤分割已被用于定义肿瘤区域，以帮助诊断疾病和选择治疗疾病的最佳方法。它是一种将肿瘤的一部分从整个图像中分离出来的工具。手动肿瘤分割方法耗时耗力，因此也会导致疾病的误诊。脑肿瘤分割方法分为阈值和区域生长等几种类型 [3, 4]。医学图像分割是疾病诊断的重要阶段。医学图像分割的目的是检测所需区域，以帮助专家更好地诊断疾病。它根据确定性描述将图像划分为多个区域，例如医学应用中的身体器官分割 [5]。分割是图像处理的重要工具。图像分割用于将图像分割为不同数量的对象和离散区域。图像分割的结果是组成整个图像的一组部分或从图像中截取的一组线。可以实施不同的方法来划分图像。分割方法包括阈值、聚类、基于边缘、基于区域、基于图形、分水岭和活动轮廓分割技术 [6]。医学图像分类是图像分类领域最重大的难题之一。它旨在将医学图像分为几类，以帮助专家进行疾病诊断或进一步研究。总体而言，医学图像分类分为两个步骤：特征提取步骤和分类步骤。在分类问题中，使用算法将测试数据准确地分类为预定义的类别。常见的分类算法类型有线性分类器、支持向量机、决策树和随机森林分类器 [7]。