MIST：一個簡單且可擴展的端到端 3D 醫學影像分割框架
MIST 是一個簡單、模組化和端到端的醫學影像分割框架，旨在促進基於深度學習的醫學影像分割方法的一致訓練、測試和評估，解決了該領域缺乏標準化工具的問題。
基於擴散模型的腰椎 MRI 掃描語義分割，用於下背痛患者
本研究提出了一種基於擴散模型的框架 SpineSegDiff，用於對下背痛患者的腰椎 MRI 掃描進行穩健且準確的分割，特別強調了椎間盤的分割，並探討了不同退化性病變對分割準確性的影響。
基於時間提示引導的醫學影像分割模型：TP-UNet
TP-UNet 模型透過時間提示（temporal prompts）有效整合醫學影像中的時間資訊，提升醫學影像分割的準確性。
獨立多標籤分割任務的標籤共享增量學習框架
本文提出了一種新的標籤共享框架，用於訓練單一模型以同時處理多個具有不同標籤集的醫學影像分割任務，並通過實驗證明了其在性能和增量學習能力方面的有效性。
MRSegmentator：適用於 MRI 和 CT 掃描中 40 個類別的多模態分割模型
MRSegmentator 是一種深度學習模型，能夠準確分割 MRI 和 CT 影像中的 40 個解剖結構，為醫學影像研究提供有價值的自動化工具。
基於雙層路由注意力機制的純Transformer網路於恥骨聯合-胎頭分割之應用
本文提出了一種名為 BRAU-Net 的新型純 Transformer 模型，用於從經會陰超音波影像中分割恥骨聯合和胎頭，並在 FH-PS-AOP 挑戰賽數據集上取得了可比的結果。
從超高解析度 7T 磁共振血管造影圖中，於介觀尺度下進行小血管分割的 SMILE-UHURA 挑戰
SMILE-UHURA 挑戰賽旨在促進超高解析度 7T 磁共振血管造影圖中小血管分割演算法的開發和評估，並公開了一個經過仔細標註的數據集，以解決該領域缺乏公開可用數據的問題。
針對缺失模態分割問題的穩健差異學習方法
本文提出了一種基於 3D U-Net 的新型平行網絡架構，結合了高互信息知識轉移和基於霍爾德散度的知識蒸餾技術，用於解決醫學影像分割中缺失模態的問題，並在 BraTS 2018 和 BraTS 2020 數據集上取得了優於現有技術的成果。
基於 SAM 家族模型在零樣本學習設定下對斷層掃描影像進行骨骼分割之能力探討
本文評估了 SAM 家族模型在零樣本學習設定下對斷層掃描影像進行骨骼分割的能力，發現基於邊界框的提示策略表現最佳，並提供初步的二維非迭代提示策略指南。
MSA$^2$Net：適用於醫學影像分割的多尺度自適應注意力引導網路
MSA$^2$Net 是一種新穎的深度分割框架，透過結合多尺度自適應空間注意力閘門（MASAG）和混合解碼器設計，有效融合了局部和全局特徵，提升了醫學影像分割的準確性。
© 2024 by Linnk AI