XiaoMi-AI文件搜索系统
World File Search System图像分割
使用支撑矢量机和卷积神经网络评估脑低度神经胶质瘤中磁共振图像分割
恶性胸腔积液（MPE）通常与晚期肺癌有关。约有15％的非小细胞肺癌（NSCLC）患者表现出MPE；腺癌是最常见的组织学，对预后的负面影响（1）。实际上，平均生存率约为4.3个月（2）。由于癌症与肺栓塞，胸腔导管阻塞，上cava静脉抑制，心包浸润，低藻症，阻塞性肺炎或心血不良（3,4,4），伴有副塑性胸膜积液的鉴别诊断。许多研究提出了不同的治疗策略来改善预后，尽管在耐受性和生存方面很难建立最佳方法。本次审查的目的是评估各种治疗建议，以建立MPE患者管理中的最佳战略计划。我们评估了不同类型的治疗，我们发现其中大多数具有
使用扩展维纳和拉普拉斯算子进行脑肿瘤分割
Zhao 等 [45] 2013 年基准 BRATS 数据 Patch-wise 卷积神经网络 总体 (0.81) 准确率 Manic 等 [46] 阐述了基于萤火虫的灰度图像分割方法
语义分割 - 易手式 - 合成 -
图像分割是计算机视觉中的一个基本问题，涉及将图像分为多个段或区域，以简化表示形式，并使其对分析更有意义。在对象识别，医学成像和自动驱动器之类的任务中至关重要，其中理解图像中不同对象的空间组织至关重要[3，4]。在图像分割的背景下经常引用的一项基础工作是Long等。的完全卷积网络（FCN）用于半分割[6]。本文通过对CNN进行适应Pixel的预测而无需任何完全连接的层，从而彻底改变了该领域，从而实现了端到端训练并了解任意大小的图像。这种方法为随后的分割方法中的许多后续发展奠定了基础。变压器模型的引入为处理图像分割任务带来了新的视角，该任务在传统上以卷积网络为主导。Xie等人的Seg-前论文。[7]集成了专门针对半分割需求量身定制的变压器体系结构。segformer在其层次变压器编码中脱颖而出，该编码器有效地处理多尺度特征，对于在准确的分割所需的可变分辨率下捕获详细上下文至关重要。
SS-3DCAPSNET：用于少标记数据医学分割的自监督 3D 胶囊网络
胶囊网络是一种近期出现的新型深度网络架构，已成功应用于医学图像分割任务。这项工作扩展了胶囊网络，使其能够通过自监督学习进行体积医学图像分割。与以前的胶囊网络相比，为了改善权重初始化问题，我们利用自监督学习进行胶囊网络预训练，其中我们的借口任务通过自重建进行优化。我们的胶囊网络 SS-3DCapsNet 具有基于 UNet 的架构，带有 3D 胶囊编码器和 3D CNN 解码器。我们在 iSeg-2017、Hippocampus 和 Cardiac 等多个数据集上的实验表明，我们的自监督预训练的 3D 胶囊网络远远优于以前的胶囊网络和 3D-UNets。代码可在此处获得。1
![arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日](/simg/9\9bf8c62dcc81309c6ab621b237a6ec6cab8ed069.webp)
arXiv:2303.09975v5 [ed.IV] 2024 年 6 月 2 日
摘要。人们对采用基于 Transformer 的架构进行医学图像分割的兴趣日益浓厚。然而，由于缺乏大规模带注释的医学数据集，要实现与自然图像相当的性能具有挑战性。相比之下，卷积网络具有更高的归纳偏差，因此很容易训练到高性能。最近，ConvNeXt 架构试图通过镜像 Transformer 块来现代化标准 ConvNet。在这项工作中，我们在此基础上进行了改进，设计了一种现代化且可扩展的卷积架构，以应对数据稀缺的医疗环境的挑战。我们推出了 MedNeXt，这是一个受 Transformer 启发的大核分割网络，它引入了 - 1）用于医学图像分割的完全 ConvNeXt 3D 编码器-解码器网络，2）残差 ConvNeXt 上采样和下采样块以保持跨尺度的语义丰富性，3）一种通过上采样小核网络迭代增加核大小的新技术，以防止在有限的医疗数据上出现性能饱和，4）在 MedNeXt 的多个级别（深度、宽度、核大小）上进行复合缩放。这使得它在 CT 和 MRI 模态和不同数据集大小的 4 个任务上实现了最佳性能，代表了一种现代化的医学图像分割深度架构。我们的代码已公开发布：https://github.com/MIC-DKFZ/MedNeXt。
练习和经验，ISSN 1895-1767，http：//www.scpe ...
摘要。自主导航是当前时代的领先技术，在这种智能的发光，标志检测，ADA和障碍物检测中，自主导航正在扮演重要角色。图像分割是将图像分为不同区域或语义类别的过程。这是自动驾驶技术中的一个具有挑战性的问题，因为它要求车辆能够理解其周围环境才能安全导航。该平台的主要挑战是模型性能的准确性和效率。摘要中提出的方法使用卷积神经网络（CNN）执行图像分割。cnns是一种非常适合图像处理任务的深度学习模型。本文中的CNN在当地城市数据集上进行了培训，并且能够达到73％的联合（IOU）的平均交叉点。iou是对分割结果符合地面真相标签的程度的衡量标准。分数为100％，表明分段是完美的，而0％的分数表示分段是完全错误的。这意味着该方法可以以非常快速的速率分割图像，这对于需要做出实时决策的自动驾驶汽车很重要。总的来说，提出的方法是自动驾驶汽车中图像分割的有前途的方法。它可以实现高精度和速度，并且使用Python易于实现。所提出的方法的精度为98.34％，灵敏度为97.26％，灵敏度为96.37％。该方法可用于通过使其能够更好地了解周围环境来提高自动驾驶汽车的安全性和效率。
您一直想了解的关于蜻蜓深度学习的一切，但太害怕问
图像分割：在此示例中，使用深度学习模型来分割铸造孔隙率，尽管灰色值变化（明亮和深色区域）和小特征大小。正常的阈值方法在这种情况下不起作用，因为伪影和部分体积效应，使小毛孔的黑色不如大毛孔。
SFS-A68：公寓空间功能分割数据集
摘要。分析建筑模型的可用面积、建筑安全性或能源分析需要空间和相关对象的功能分类数据。自动化空间功能分类有助于减少输入模型准备工作量和错误。现有的空间功能分类器使用空间特征向量或空间连通性图作为输入。深度学习 (DL) 图像分割方法在空间功能分类中的应用尚未被研究。作为解决这一差距的第一步，我们提出了一个数据集 SFS-A68，它由 68 个公寓楼空间布局的数字 3D 模型生成的输入和地面真实图像组成。该数据集适用于开发用于空间功能分割的 DL 模型。我们使用该数据集训练和评估基于迁移学习和从头开始训练的实验空间功能分割网络。测试结果证实了 DL 图像分割对空间功能分类的适用性。
使用级联集成学习从多光谱 MRI 数据中分割脑肿瘤*
摘要 — 集成学习方法经常用于医疗决策支持。在图像分割问题中，基于集成的决策需要后处理，因为集成不能充分处理相邻体素的强相关性。本文提出了一种基于集成级联的脑肿瘤分割程序。第一个由二叉决策树组成的集成经过训练，基于 4 个观察特征和 100 个计算特征将局灶性病变与正常组织分离。从第一个集成提供的中间标签开始，为每个体素计算六个局部特征，作为第二个集成的输入。第二个集成是一个经典的随机森林，它加强了相邻像素之间的相关性，使病变的形状规则化。分割准确率为 85.5% 的整体 Dice Score，比之前的解决方案高出 0.5%。索引词 — 图像分割、脑肿瘤分割、磁共振成像、集成学习。