XiaoMi-AI文件搜索系统
World File Search System相似系数
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。
MECHETER，Imene 等人。利用多分辨率手工特征进行深度学习，用于脑部 MRI 分割。在：医学中的人工智能，20
磁共振 (MR) 图像分割是创建伪计算机断层扫描 (CT) 图像的一项关键任务，伪计算机断层扫描 (CT) 图像可用于实现正电子发射断层扫描 (PET) 衰减校正。创建伪 CT 图像的主要挑战之一是难以对脑 MR 图像中的骨组织进行准确分割。深度卷积神经网络 (CNN) 已被广泛而有效地应用于执行 MR 图像分割。这项工作的目的是提出一种分割方法，将多分辨率手工制作的特征与基于 CNN 的特征相结合，以添加方向属性并丰富用于执行分割的特征集。主要目标是有效地将大脑分割成三个组织类别：骨骼、软组织和空气。所提出的方法使用不同的机制将非下采样 Contourlet (NSCT) 和非下采样 Shearlet (NSST) 系数与 CNN 的特征相结合。计算熵值以选择最有用的系数并降低输入的维数。使用 50 张临床脑部 MR 和 CT 图像通过计算精度、召回率、骰子相似系数 (DSC) 和 Jaccard 相似系数 (JSC) 来评估分割结果。还将结果与文献中报道的其他方法进行了比较。骨骼类的 DSC 从 0.6179 ± 0.0006 提高到 0.6416 ± 0.0006。将 NSCT 和 NSST 的多分辨率特征与 CNN 的特征相加，显示出了令人鼓舞的结果。此外，NSST 系数比 NSCT 系数提供了更多有用的信息。
从磁共振成像中对胎儿大脑进行半自动分割
方法：招募了单胎妊娠成年女性（n = 21），其中 5 名接受了两次扫描，间隔约 3 周[共 26 个数据集，中位孕周 (GA) = 34.8，IQR = 30.9–36.6]。使用 1.5T 和 3T MRI 扫描仪获取胎儿大脑的 T2 加权单次激发快速自旋回波图像。首先将图像组合成一个 3D 解剖体积。接下来，经过训练的示踪剂手动分割丘脑、小脑和总大脑体积。将手动分割与高级规范化工具 (ANT) 和 FMRIB 的线性图像配准工具 (FLIRT) 工具箱中提供的五种自动分割方法进行了比较。使用 Dice 相似系数 (DSC) 比较手动和自动标签。使用 Friedman 重复测量检验比较 DSC 值。
针对低分辨率和非连续切片的临床 MRI 数据集的最优脑肿瘤分割算法
摘要背景：从磁共振图像（MRI）中分割脑肿瘤及其组成区域对于规划诊断和治疗非常重要。在临床实践中，经验丰富的放射科医生通常使用多模态 MRI 来描绘肿瘤区域。但这种手动分割容易出现重现性差且耗时。此外，常规临床扫描通常分辨率较低。为了克服这些限制，需要一种基于计算机视觉的自动精确分割算法。方法：我们研究了三种广泛使用的分割方法的性能，即区域增长、模糊 C 均值和深度神经网络 (deepmedic)。我们通过随机选择 48 名患者数据（高级别，n = 24 和低级别，n = 24）在 BRATS 2018 数据集上以及在我们的常规临床 MRI 脑肿瘤数据集（高级别，n = 15 和低级别，n = 28）上评估了这些算法。我们使用骰子相似系数、豪斯多夫距离和体积测量来测量它们的性能。结果：与模糊 C 均值 (FCM) 和 deepmedic 网络相比，区域增长法表现非常差。对于 BRATS 和临床数据集，FCM 和 deepmedic 算法的 Dice 相似系数得分彼此接近。这两种方法的准确率一般都低于 70%。结论：尽管 deepmedic 网络在 BRATS 脑肿瘤分割挑战中表现出非常高的准确率，但它必须针对低分辨率常规临床扫描进行定制训练。它还需要大量训练数据才能用作临床应用的独立算法。尽管如此，与区域增长或 FCM 相比，deepmedic 可能是脑肿瘤分割的更好算法。关键词：脑肿瘤、分割、深度神经网络、MRI
基于随机扩增标记的猪笼草遗传多样性
猪笼草又名猪笼草，是一种独特而有趣的植物，已被广泛开发作为观赏植物。这种植物的魅力不仅在于它的花朵，还在于它的花囊，花囊的形状和颜色多种多样。基于分子表征可以确定猪笼草的几种物种和杂交种的多样性。这项研究的目的是计算遗传多样性的值，并在分子基础上利用 RAPD 引物测试印度尼西亚猪笼草之间的关系。本研究使用的材料是从 Yagiza 苗圃猪笼草苗圃、食虫植物苗圃、Tulungagung 猪笼草群落和毒液苗圃的勘探结果中获得的 41 种物种和由 3 个个体组成的猪笼草杂交种。分子 DNA 分析是在加查马达大学 (UGM) 农学院农业栽培系遗传学和植物育种实验室进行的。 3个RAPD引物（OPD 8、OPC 2和OPC15）对41个物种及其杂交种进行检测，共得到85个位点，1370个DNA带，大小为150～1750 bp，多态性水平为100％，形成的特异性带数共12条。聚类分析结果表明，多样性水平在17％～100％之间，可分为A组和B组，相似性水平为17％。遗传参数分析结果表明，居群（N. eustahcya x N. ampularia）各参数的遗传差异最大且一致（Na=0.576±0.092、Ne=1.162±0.035、I=0.136±0.027），PLP为23,53%，平均杂合度（H）为0.093±0.019。最高相似系数值为0.338，表明N.veitchii与N.adnata亲缘关系较远，最低相似系数值为0.050，表明N.maxima wavy与N.maluku亲缘关系较近。AMOVA分析显示，猪笼草居群间遗传多样性分布值（74%）高于居群内多样性值（26%）。同时，猪笼草种群间遗传多样性分布值（70%）高于种群内遗传多样性分布值（30%）。关键词：猪笼草；分子；RAPD。
nnUnetFormer：一种基于 nnUnet 和 Transformer 的多模态 MR 图像脑肿瘤分割自动方法
主要结果：我们通过 5 倍交叉验证在 BraTS 2021 数据集上评估了我们的方法，并取得了优异的性能，Dice 相似系数 (DSC) 为 0.936、0.921 和 0.872，Hausdorff 距离的第 95 百分位数 (HD95) 分别为整个肿瘤 (WT)、肿瘤核心 (TC) 和增强肿瘤 (ET) 区域的 3.96、4.57 和 10.45，在平均 DSC 和平均 HD95 方面均优于近期最先进的方法。此外，消融实验表明，将 Transformer 融合到我们改进的 nnUnet 框架中可以提高脑肿瘤分割的性能，尤其是对于 TC 区域。此外，为了验证我们方法的泛化能力，我们进一步在 FeTS 2021 数据集上进行了实验，并在 11 个看不见的机构上取得了令人满意的分割性能，其中 WT、TC 和 ET 区域的 DSC 分别为 0.912、0.872 和 0.759，HD95 分别为 6.16、8.81 和 38.50。
使用三维模型对脑肿瘤进行分割...
在包含胶质母细胞瘤的 MRI 图像中，我们考虑了全自动脑肿瘤分割的问题。我们建议采用 3D MedImg-CNN（三维卷积神经网络）方法，该方法在实现高效率的同时实现了高结果，这是当前技术难以实现的组合。我们的 3D MedImg-CNN 直接在原始图像模态上形成，因此可以直接从数据中学习特征表示。我们建议采用两种通路的新型级联架构，每种通路都提供肿瘤细节模型。充分利用我们模型的卷积特性也有助于我们在一分钟内分割出完整的大脑图像。建议的 3D MedImg-CNN 与 CNN 分割系统的效率是使用骰子相似系数 (DSC) 确定的。在 2013 年、2015 年和 2017 年 BraTS 数据集上进行的实验表明，所提出的方法在文献中占主导地位，因为它是最有效的方法之一。关键词 脑肿瘤、卷积神经网络、深度学习、分割
使用简化的 U-Net 架构进行脑肿瘤分割
摘要 位于颅骨内的脑肿瘤是导致严重后果的健康问题之一。快速准确地检测脑肿瘤并分割肿瘤区域将确保患者在早期接受适当的治疗，增加患者康复和生存的机会。文献中有很多分割方法。分割精度低、所采用的网络结构规模较大是现有方法的主要缺点。本研究提出了一种简化的 U-Net 深度学习模型，用于 MRI 图像上的脑肿瘤分割。该模型在 233 名患者的 3064 张 MRI 图像上进行了训练和测试，其中包括神经胶质瘤、脑膜瘤和垂体瘤等常见脑肿瘤。结果获得了平均0.86的骰子相似系数、0.76的IoU分数、0.85的敏感度值和0.99的像素准确度值。该模型有望帮助专家诊断疾病并确定适当的治疗方法，因为它可以快速、高精度地进行脑肿瘤分割。
深度学习的自动纤维结构组织分割在乳腺磁共振成像筛选
摘要。鉴于乳腺癌病例的全球增加以及纤维球组织（FGT）密度在评估风险和预测疾病过程中的关键重要性，FGT的准确测量是诊断成像中的重大挑战。 当前的研究重点是使用深度学习模型在MRI扫描中自动分割乳腺组织。 的目的是为开发纤维球组织精确定量的方法建立坚实的基础。 为此，系统地处理了公开可用的“杜克乳腺癌MRI”数据集，以利用NNU-NET（“ No-New-NET”）框架训练深层神经网络模型，然后进行定量评估。 结果显示以下具有标准偏差的宏观平均指标：骰子相似系数0.827±0.152，准确性0.997±0.003，灵敏度0.825±0.158和特异性0.999±0.001。 我们模型在分割FGT中的有效性是由骰子系数，准确性，灵敏度和特异性的高值强调的，这反映了我们结果的精确性和可靠性。 这项研究的结果为开发自动化方法量化FGT的基础是坚实的基础。 我们的研究工作，尤其是在奥格斯堡大学医院的临床研究的驱动下，重点是进一步探索和验证这些潜力。鉴于乳腺癌病例的全球增加以及纤维球组织（FGT）密度在评估风险和预测疾病过程中的关键重要性，FGT的准确测量是诊断成像中的重大挑战。当前的研究重点是使用深度学习模型在MRI扫描中自动分割乳腺组织。的目的是为开发纤维球组织精确定量的方法建立坚实的基础。为此，系统地处理了公开可用的“杜克乳腺癌MRI”数据集，以利用NNU-NET（“ No-New-NET”）框架训练深层神经网络模型，然后进行定量评估。结果显示以下具有标准偏差的宏观平均指标：骰子相似系数0.827±0.152，准确性0.997±0.003，灵敏度0.825±0.158和特异性0.999±0.001。我们模型在分割FGT中的有效性是由骰子系数，准确性，灵敏度和特异性的高值强调的，这反映了我们结果的精确性和可靠性。这项研究的结果为开发自动化方法量化FGT的基础是坚实的基础。我们的研究工作，尤其是在奥格斯堡大学医院的临床研究的驱动下，重点是进一步探索和验证这些潜力。
在全脑分割方面，2.5D 方法是否优于 3D 深度网络？
对具有大量标签、小卷曲结构以及各种结构边界之间缺乏对比度的 3D 体积进行分割是一项艰巨的任务。虽然许多分割任务中的最新方法进展都以 3D 架构为主导，但目前全脑分割最强大的方法是 FastSurferCNN，一种 2.5D 方法。为了阐明 2.5D 与各种 3D 方法之间的细微差别，我们进行了彻底而公平的比较，并提出了一种空间集成的 3D 架构。有趣的是，我们观察到在完整视图图像上训练内存密集型的 3D 分割并不优于 2.5D 方法。即使在完整视图上进行评估时也转向在补丁上进行训练可以同时解决内存和性能限制的问题。在五个数据集上的 Dice 相似系数和尤其是平均豪斯多夫距离测量方面，我们展示了比最先进的 3D 方法显着的性能改进。最后，我们对各种神经退行性疾病状态和扫描仪制造商的验证表明，我们的表现优于之前领先的 2.5D 方法 FastSurferCNN，在现实环境中表现出强大的分割性能。我们的代码可在 github.com/Deep-MI/3d-neuro-seg 上在线获取。关键词：深度 3D 卷积网络、全脑分割、深度集成。