![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
MRI分割
文章平均质量分 85
cskywit
专注AI,热爱文学
展开
-
【论文阅读笔记】Modality-Specific Information Disentanglement from Multi-parametric MRI for Breast Tumor Seg
但最终目标不是生成几乎相同的图像,只希望合成图像能够保留原始结构信息,但具有其他模态样式,例如肿瘤区域的 ADC 模态中的低强度和 T2w 模态中的高强度。置信度分数的计算考虑了当前模态与其他模态(例如DCE-MRI和ADC)的相互关系,从而确保每个模态贡献的信息是基于其与其他模态相比的相对重要性和可靠性。:提出了一种新的特定模态信息解耦(MoSID)框架,该框架能够有效地从多参数MRI中提取并利用跨模态和内模态的注意力图,这些图作为指导肿瘤分割的先验知识。步骤 3 利用特定于模态的信息来增强分割性能。原创 2024-01-17 15:34:53 · 468 阅读 · 0 评论 -
【论文阅读笔记】Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion
门控融合技术:用于将这些解耦后的特征有效地结合起来,形成一个统一的特征表示,用于后续的肿瘤分割任务。在缺失模态场景下,如果不仔细考虑,融合表示会受到来自空输入通道的噪声信息的影响,那么模型的性能将不可避免地下降。具体来说,将来自每个模态的解耦的内容编码连接起来,然后输入到输出通道为M的卷积层。这种方法增强了面对缺失数据时分割过程的鲁棒性,并在多种缺失模态的场景中显示出显著的改进。特征解耦部分:负责将不同成像模态(如MRI)的数据分解为模态特定的外观特征和跨模态的内容特征。方法是将输入的多种成像模态解耦为。原创 2024-01-16 17:10:23 · 534 阅读 · 1 评论 -
【论文阅读笔记】Multi-modal brain tumor segmentation via disentangled representation learning and region-awa
此外,提出了一种区域感知的对比学习方法,以进一步引导网络学习与目标区域相关的特征表征,从而提高分割精度。为了解决这个问题,作者提出了将学到的特征表示分解为与目标肿瘤区域相对应的多个因子,使网络能够提取对分割任务更有意义的特征。总体来说,2.1节强调了解耦表征学习在提高特征表示效果和可解释性方面的重要性,并展示了它在处理复杂的医学图像数据,尤其是脑肿瘤分割方面的潜力。:在实现上,作者采用了一种对比损失函数,这种损失函数鼓励模型产生的特征表征在相似区域内紧密,而在不同的区域间相隔较远。原创 2024-01-16 15:11:35 · 1024 阅读 · 1 评论 -
【论文阅读笔记】两篇完整模态脑瘤分割
两篇完整模态脑瘤分割论文,都是使用Transformer,没有什么特别的特色,也没有开源代码,因此只是简单记录一下。原创 2024-01-04 00:03:32 · 1343 阅读 · 0 评论 -
【论文阅读笔记】Multi-Modal Learning With Missing Modality via Shared-Specific Feature Modelling
本文的核心思想是提出一种名为“共享-特定特征建模(ShaSpec)”的方法,用于处理多模态学习中的缺失模态问题。该方法在训练和评估期间利用所有可用的输入模态,通过**学习共享和特定的特征**来更好地表示输入数据。这是通过**基于分布对齐和领域分类的辅助任务**以及**残差特征融合**过程来实现的。ShaSpec的设计简单,易于适应多种任务,如分类和分割。实验结果表明,ShaSpec在医学图像分割和计算机视觉分类方面的表现优于竞争方法。例如,在BraTS2018数据集上,ShaSpec在增强肿瘤、肿瘤核心和整原创 2024-01-02 09:36:09 · 1717 阅读 · 2 评论 -
【论文阅读笔记】A literature survey of MR-based brain tumor segmentation with missing modalities
这篇文献综述重点探讨了在磁共振成像(MRI)用于脑肿瘤分割时面临的一项主要挑战:部分MRI模态的缺失(本文将范围限定为**在训练期间可以使用完整的 MR 模式,而在测试期间可以缺少一种或多种模式**)。文中详细分析了各种先进的分割技术,如基于图像合成、潜在特征空间、多源相关性、知识蒸馏和域适应等方法,这些方法旨在克服在实际临床场景中常见的模态缺失问题。综述不仅比较了这些方法的原理、优缺点和适用性,还讨论了用于评估这些技术的不同数据集和评估指标。文章最后强调了在缺失模态下脑肿瘤分割领域的未来研究方向,突出了开原创 2023-12-31 00:19:53 · 997 阅读 · 1 评论 -
【论文阅读笔记】MMMViT: Multiscale multimodal vision transformer for brain tumor segmentation with missing m
本文介绍了一种名为多尺度多模态视觉变换器(MMMViT)的新方法,用于解决脑肿瘤分割中缺失模态的问题。MMMViT 利用跨模态之间的相关性,将直接融合可用模态特定特征到共享潜在空间的过程分解为两个简单步骤,以降低学习共享潜在表示的难度。此外,该方法通过卷积编码器为每种模态提取的局部多尺度特征,输入到模态内部的变换器块中,从而隐式捕获全局多尺度特征,以适应不同大小的脑肿瘤。MMMViT 在 BraTS 2018 数据集上的验证结果表明,该方法不仅在大多数输入案例中优于现有的 mmFormer 方法,而且还提高原创 2023-12-20 09:32:47 · 1084 阅读 · 0 评论 -
【论文阅读笔记】A Single Stage Knowledge Distillation Network for Brain Tumor Segmentation on Limited MR Ima
具体来说,它促使学生网络的潜在空间特征尽可能接近教师网络的特征,同时确保这些特征不是冗余的或过度相关的。Barlow Twins损失的核心思想是通过使网络的两个不同视角(或变换)的输出尽可能相似,同时保持这些特征表示的独立性,从而提高网络学习到的特征的质量。深度监督意味着这种损失不仅在网络的最终输出上计算,还在网络的多个层级上计算,从而促进网络在不同深度上学习更有效的特征表示。:知识蒸馏是在单阶段框架内进行的,意味着教师和学生网络是同时训练的,但在训练一个时候,固定住另外一个的参数。最后一个解码器的输出。原创 2023-12-08 09:31:14 · 836 阅读 · 0 评论 -
【论文阅读笔记】BTS-ST: Swin transformer network for segmentation and classification of multimodality breast
Swin UNETR结合了Swin Transformer(作为编码器)和基于卷积神经网络的解码器,通过不同分辨率的跳跃连接相连。在BraTS 2021挑战中,Swin UNETR在验证阶段名列前茅,并在测试阶段展现出了竞争力的性能,显示出其作为一个新类别的分层编码器的Transformer基础模型在脑肿瘤分割任务中的潜力。本文模型使用Swin Transformer(Encoder)+类Unet(Decoder),由于是BraTS 2021挑战赛作品,使用数据集单一,网络结构图画的很清楚,不做展开记录。原创 2023-12-19 09:05:13 · 582 阅读 · 1 评论 -
【论文阅读笔记】Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers--A multi-institut
这项研究显示,TraBS模型在内部和外部验证集上的表现优于现有的基于卷积神经网络的模型(如nnUNet),尤其在处理乳房密度和背景腺体增强(BPE)方面的自动量化评估。研究的目的是提高乳房MRI筛查中乳房密度和腺体增强量化的准确性。这些结果表明,相较于传统的基于CNN的模型,基于变压器的TraBS模型在乳房MRI中纤维腺体组织的分割任务上表现出更高的精度和泛化能力。重点对比了基于Transformer的模型TraBS与传统的基于卷积神经网络的模型(如nnUNet)在内部数据集和外部数据集上的性能表现。原创 2023-12-19 08:46:41 · 1043 阅读 · 0 评论