Multi-subject atlas-based auto-segmentation reduces interobserver variation and improves dosimetric

最新推荐文章于 2024-09-08 12:00:35 发布
最新推荐文章于 2024-09-08 12:00:35 发布
阅读量173 收藏
点赞数
分类专栏： 鼻咽癌 文章标签： 计算机视觉 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_49824360/article/details/117534814
版权
放射治疗鼻咽癌时，需精确勾画肿瘤及风险器官。论文提出多主题模板自动分割方法，通过Dice Loss、变异系数CV和三维等中心差异(3D-ICD)减少观察者间差异，增强剂量参数一致性。八位放射肿瘤学家验证编辑，确保准确性。
摘要由CSDN通过智能技术生成

《Multi-subject atlas-based auto-segmentation reduces interobserver variation and improves dosimetric parameter consistency for organs at risk in nasopharyngeal carcinoma: A multi-institution clinical study》

读书报告

wxy

 

论文基本信息：

Multi-subject atlas-based auto-segmentation reduces interobserver variation and improves dosimetric parameter consistency for organs at risk in nasopharyngeal carcinoma: A multi-institution clinical study

Concept

 

Problem/challenge/background</

最低0.47元/天 解锁文章
えい川
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Atlas-based segmentation 浅析
Jingyang.Zhang的博客
09-20 9388
初见 —— Atlas-based segmentationAtlas 的中文翻译很贴切且形象，所谓“地图集”，直观来说，Atlas 就是人工标记完备的数据库。比如 BrainWeb 的 Atlas：在三维脑部CT数据中医生标注完备的各种脑部结构，如灰质、白质、海马等等结构。 最早的 Atlas-based segmentation 是基于 nonrigid registration 技术，
ms-tcn:multi-stage temporal convolutional network for action segmentation
moliaochunfeng的博客
08-01 3195
ms-tcn论文详解 这是一篇cvpr2019的论文，研究了一阵子，决定将论文主体思想写出来，给大家分享分享，也让自己巩固理解。 首先，看一下这篇论文的目的。 ms-tcn中，为时间动作分割任务引入了一个多阶段时间卷积网络。给定视频x1的帧：T =（x1，…，xT），我们的目的是推断每个帧c1的类标签：T=（c1，…，cT）（T是视频长度）。 论文大致分为： Single-StageTCN ; ...
MS-TCN: Multi-Stage Temporal Convolutional Network for Action Segmentation
qq_35424725的博客
07-24 4779
论文题目：Multi-Stage Temporal Convolutional Network for Action Segmentation 原文地址：https://arxiv.org/abs/1903.01945 这篇文章涉及的是视频的行为分割问题（Action Segmentation），也就是对视频（video）中的每帧，推断其对应的行为类别，也就是说，该问题本质上是一个逐帧的图像分类问题。 该文章的主要核心内容如下： 1.使用TCN对时序邻域信息进行聚合 由于人的行为具有时间相关性，为了捕获行为
【论文阅读】Abdominal multi-organ segmentation with organ-attention networks and statistical fusion
m0_37477175的博客
07-09 3355
Abdominal multi-organ segmentation with organ-attention networks and statistical fusion 文章目录Abdominal multi-organ segmentation with organ-attention networks and statistical fusion一、要点：二、腹部多器官分割的2个流派三、...
[论文阅读] Automatic Polyp Segmentation via Multi-scale Subtraction Network
xiongxyowo的博客
12-27 2646
论文地址：https://arxiv.org/abs/2108.05082 代码：https://github.com/Xiaoqi-Zhao-DLUT/MSNet 发表于：MICCAI’21 Abstract 超过90%的结直肠癌是由结直肠息肉逐渐转化而来。在临床实践中，精确的息肉分割为结直肠癌的早期检测提供了重要信息。因此，自动息肉分割技术对病人和医生都非常重要。大多数现有的方法都是基于U型结构，在解码器中使用元素加法或连接法来逐步融合不同层次的特征。然而，这两种操作都容易产生大量的冗余信息，从而削弱了
[深度学习论文笔记]Multi-phase Liver Tumor Segmentation with Spatial Aggregation
Slientsake的博客
01-02 4002
Multi-phase Liver Tumor Segmentation with Spatial Aggregation and Uncertain Region Inpainting [深度学习论文笔记]基于空间聚集和不确定区域修复的多期肝脏肿瘤分割 Jul 2021 MICCAI 2021 论文：https://arxiv.org/abs/2108.00911 代码：https://github.com/yzhang-zju/multi_phase_LiTS 摘要：   多期计算机断层扫描图像为准确分
[MICCAI2022 Challenge: AMOS 2022] Abdominal multi-organ segmentation
thunder_k的博客
04-26 3143
MICCAI2022的比赛陆续出炉，挑一个我感兴趣的比赛介绍一下。 AMOS2022 比赛官网：https://amos22.grand-challenge.org/ AMOS 2022是个腹部多器官，多模态，多中心分割竞赛，跟去年的 FLARE2021 的比赛会有些相似。FLARE2021是单一模态的分割，有兴趣的还可以去关注一下FLARE2022的比赛，这个比赛更关注 “Fast and Low-resource semi-supervised”。 言归正传，看一看AMOS2022的简单情况： Task
【论文笔记】——LadderNet: Multi-path networks based on U-Net for medical image segmentation
jandyhan的博客
11-07 3523
原文链接：LadderNet: Multi-path networks based on U-Net for medical image segmentation 代码：LadderNet 1.介绍
matlab信任模型代码-multi-atlas-segmentation:用于小鼠脑部MRI的多图谱分割和形态计量分析工具包（MASMAT）
05-22
通过基于配准的分段传播和基于多图集的标签融合Multi-atlas based automatic brain structural parcellation该bash脚本是为Multi-atlas based automatic brain structural parcellation ，主要用于小鼠脑部MRI。 该...
图像分割—基于图的图像分割（Graph-Based Image Segmentation）C++源代码
12-28
C++版源代码，分享给大家，Graph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基于图的贪心聚类算法，实现简单，速度比较快，精度也还行。
[数据集][目标检测]井盖丢失未盖破损检测数据集VOC+YOLO格式2890张5类别
FL1623863129的博客
09-06 559
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["broke","circle","good","lose","uncovered"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：2890。标注数量(xml文件个数)：2890。标注数量(txt文件个数)：2890。标注规则：对类别进行画矩形框。
[数据集][目标检测]西红柿缺陷检测数据集VOC+YOLO格式17318张3类别
FL1623863129的博客
09-05 623
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["Bad","Good","Unripe"]图片数量(jpg文件个数)：17318。标注数量(xml文件个数)：17318。标注数量(txt文件个数)：17318。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
Opencv实现提取卡号（数字识别）
2401_84670644的博客
09-03 1332
接下来，你可能会想要使用这些数字模板与输入图像中的数字进行匹配，以确定输入图像中每个数字的具体值。这通常涉及到模板匹配技术，如使用。库来解析命令行输入，确保用户提供了输入图像和模板图像的路径。函数读取模板图像的路径，并显示原始图像。自定义的myutils库。
[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别
最新发布
FL1623863129的博客
09-08 486
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["Platelets","RBC","WBC","sickle cell"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：2757。标注数量(xml文件个数)：2757。标注数量(txt文件个数)：2757。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
[数据集][目标检测]人脸口罩佩戴目标检测数据集VOC+YOLO格式8068张3类别
FL1623863129的博客
09-06 504
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称:["face_with_mask","face_without_mask","mask"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。face_with_mask 框数 = 4429。图片数量(jpg文件个数)：8068。标注数量(xml文件个数)：8068。标注数量(txt文件个数)：8068。
yolo8 目标检测、鉴黄
loveting99的博客
09-03 3460
YOLOv8作为YOLO（You Only Look Once）系列的最新版本，在继承其前代模型优良特性的基础上进行了全面升级。YOLO系列模型自问世以来，以其独特的单阶段检测方法和卓越的实时性能在计算机视觉领域占据了重要位置。YOLOv8的发布标志着目标检测技术的又一里程碑，其在检测速度、精度、灵活性等方面都实现了新的突破，尤其在应用场景的广泛性和复杂性上展现出了更强的适应能力。YOLOv8作为目标检测领域的最新突破，继承了YOLO系列模型的优点，同时在精度和效率上取得了显著的提升。
active bayesian multi-class mapping from range and semantic segmentation obs
09-15
主动贝叶斯多类映射是一种利用距离信息和语义分割观测进行地图构建的方法。在这个方法中，我们将地图划分为多个离散的类别，并使用激光雷达等传感器获取的距离信息和语义分割图像作为输入。 在这个方法中，我们首先...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值