缺血性中风病变细分挑战（Isles 2022）为研究人员提供了一个平台，可以将其解决方案与3D MRI的缺血性中风区域进行比较。在这项工作中，我们描述了我们对2022分段任务的解决方案。我们将所有图像重新样本为一个共同的分辨率，使用两种输入MRI模式（DWI和ADC），并使用MONAI的Train Segresnet语义分割网络。最终提交是15个模型的合奏（来自3倍交叉验证的3次运行）。我们的解决方案（NVAUTO团队名称）在骰子度量标准（0.824）和总排名第2（基于合并的度量排名）方面获得了最高位置。

颅内出血分割挑战（实例2022）为研究人员提供了一个平台，以将其解决方案与3D CTS的出血中风区域进行分割。在这项工作中，我们将解决方案描述为实例2022。我们使用2D分割网络，来自Monai的Segresnet，在不重采样的情况下操作切片。最终提交是18个模型的合奏。我们的解决方案（NVAUTO团队名称）在骰子度量标准（0.721）和总排名2方面获得了最高位置。

头颈肿瘤分割挑战（Hecktor）2022为研究人员提供了一个平台，可以将其解决方案与3D CT和PET图像的肿瘤和淋巴结分割。在这项工作中，我们描述了针对Hecktor 2022分割任务的解决方案。我们将所有图像重新样本为共同的分辨率，在头颈部和颈部区域周围的作物，并从Monai训练Segresnet语义分割网络。我们使用5倍的交叉验证来选择最佳模型检查点。最终提交是3次运行中的15个型号的合奏。我们的解决方案（NVAUTO团队名称）以0.78802的汇总骰子得分在Hecktor22挑战排行榜上获得第一名。

多模式脑肿瘤分割挑战（BRALS）2021的另一年提供了较大的数据集，以促进脑肿瘤分割方法的合作和研究，这对于疾病分析和治疗规划是必要的。 BRATS 2021的大型数据集大小和现代GPU的出现为学习基于深度学习的方法提供了更好的机会，以学习来自数据的肿瘤表示。在这项工作中，我们维护了一个基于编码器解码器的分段网络，但专注于网络培训过程的修改，从而最大限度地减少扰动下的冗余。鉴于培训的网络，我们进一步介绍了基于置信的组合技术，以进一步提高性能。我们评估了Brats 2021验证板上的方法，并分别为增强肿瘤核心，肿瘤核心和全肿瘤的0.8600,0.8868和0.9265平均骰子。我们的团队（NVAUTO）提交是在ET和TC分数方面的最高表演，并且在WT分数方面的十大表演团队内。

我们为Brats21挑战中的脑肿瘤分割任务提出了优化的U-Net架构。为了找到最佳模型架构和学习时间表，我们运行了一个广泛的消融研究来测试：深度监督损失，焦点，解码器注意，下降块和残余连接。此外，我们搜索了U-Net编码器的最佳深度，卷积通道数量和后处理策略。我们的方法赢得了验证阶段，并在测试阶段进行了第三位。我们已开放源代码以在NVIDIA深度学习示例GitHub存储库中重现我们的Brats21提交。

我们实施了两个不同的三维深度学习神经网络，并评估了它们在非对比度计算机断层扫描（CT）上看到的颅内出血（ICH）的能力。一种模型，称为“沿正交关注u-net沿正交级别的素隔离”（Viola-Unet），其体系结构元素可适应2022年实例的数据挑战。第二个比较模型是从No-New U-NET（NNU-NET）得出的。输入图像和地面真理分割图用于以监督方式分别训练两个网络。验证数据随后用于半监督培训。在5倍交叉验证期间比较了模型预测。中提琴 - UNET的表现优于四个性能指标中的两个（即NSD和RVD）的比较网络。将中提琴和NNU-NET网络组合的合奏模型在DSC和HD方面的性能最高。我们证明，与3D U-NET相关的ICH分割性能优势有效地合并了U-NET的解码分支期间的空间正交特征。 Viola-Unet AI工具的代码基础，预估计的权重和Docker图像将在https://github.com/samleoqh/viola-unet上公开获得。

Glioblastomas是最具侵略性的快速生长的主要脑癌，起源于大脑的胶质细胞。准确鉴定恶性脑肿瘤及其子区域仍然是医学图像分割中最具挑战性问题之一。脑肿瘤分割挑战（Brats）是自动脑胶质细胞瘤分割算法的流行基准，自于其启动。在今年的挑战中，Brats 2021提供了2,000名术前患者的最大多参数（MPMRI）数据集。在本文中，我们提出了两个深度学习框架的新聚合，即在术前MPMRI中的自动胶质母细胞瘤识别的Deepseg和NNU-Net。我们的集合方法获得了92.00,87.33和84.10和Hausdorff距离为3.81,8.91和16.02的骰子相似度分数，用于增强肿瘤，肿瘤核心和全肿瘤区域，单独进行。这些实验结果提供了证据表明它可以在临床上容易地应用，从而助攻脑癌预后，治疗计划和治疗反应监测。

我们提出了一种神经网络体系结构，用于糖尿病足溃疡和结肠镜检查息肉的医学图像分割。糖尿病足溃疡是由糖尿病的神经性和血管并发症引起的。为了提供适当的诊断和治疗，伤口护理专业人员需要从脚伤中提取准确的形态特征。使用计算机辅助系统是一种提取相关形态特征并分割病变的有前途的方法。我们提出了一个称为HardNet-DFU的卷积神经网络，通过增强主链并取代HardNet-MSEG的解码器，该网络是2021年的结肠镜检查息肉分割的SOTA。 DFU使用DFUC2022数据集并通过五倍的交叉验证，测试时间扩展等增加其稳健性。在DFUC2022的验证阶段，HardNet-DFUS达到0.7063平均骰子，并在所有参与者中排名第三。在DFUC2022的最终测试阶段，它达到了0.7287的平均骰子，并且是第一名。 HardNet-DFU还为结肠镜检查息肉分割任务提供出色的性能。它在著名的kvasir数据集上达到了0.924的平均骰子，比原始硬核MSEG提高了1.2 \％。这些代码可在https://github.com/kytimmylai/dfuc2022（用于糖尿病足溃疡细分）和https://github.com/yuwenlo/hardnet-dfus（用于结肠镜息肉分割）。

医学成像的病变分割是临床研究中的一个重要课题。研究人员提出了各种检测和分段算法来解决这项任务。最近，基于深度学习的方法显着提高了传统方法的性能。然而，大多数最先进的深度学习方法需要手动设计多个网络组件和培训策略。在本文中，我们提出了一种新的自动化机器学习算法T-Automl，不仅搜索最佳神经结构，而且还可以同时找到超参数和数据增强策略的最佳组合。该方法采用现代变压器模型，引入了适应搜索空间嵌入的动态长度，并且可以显着提高搜索能力。我们在几个大型公共病变分割数据集上验证T-Automl并实现最先进的性能。

Brain tumor imaging has been part of the clinical routine for many years to perform non-invasive detection and grading of tumors. Tumor segmentation is a crucial step for managing primary brain tumors because it allows a volumetric analysis to have a longitudinal follow-up of tumor growth or shrinkage to monitor disease progression and therapy response. In addition, it facilitates further quantitative analysis such as radiomics. Deep learning models, in particular CNNs, have been a methodology of choice in many applications of medical image analysis including brain tumor segmentation. In this study, we investigated the main design aspects of CNN models for the specific task of MRI-based brain tumor segmentation. Two commonly used CNN architectures (i.e. DeepMedic and U-Net) were used to evaluate the impact of the essential parameters such as learning rate, batch size, loss function, and optimizer. The performance of CNN models using different configurations was assessed with the BraTS 2018 dataset to determine the most performant model. Then, the generalization ability of the model was assessed using our in-house dataset. For all experiments, U-Net achieved a higher DSC compared to the DeepMedic. However, the difference was only statistically significant for whole tumor segmentation using FLAIR sequence data and tumor core segmentation using T1w sequence data. Adam and SGD both with the initial learning rate set to 0.001 provided the highest segmentation DSC when training the CNN model using U-Net and DeepMedic architectures, respectively. No significant difference was observed when using different normalization approaches. In terms of loss functions, a weighted combination of soft Dice and cross-entropy loss with the weighting term set to 0.5 resulted in an improved segmentation performance and training stability for both DeepMedic and U-Net models.

尽管存在能够在许多医疗数据集上表现出很好的语义分割方法，但是通常，它们不设计用于直接用于临床实践。两个主要问题是通过不同的视觉外观的解开数据的概括，例如，使用不同的扫描仪获取的图像，以及计算时间和所需图形处理单元（GPU）存储器的效率。在这项工作中，我们使用基于SpatialConfiguration-Net（SCN）的多器官分段模型，该模型集成了标记器官中的空间配置的先验知识，以解决网络输出中的虚假响应。此外，我们修改了分割模型的体系结构，尽可能地减少其存储器占用空间，而不会急剧影响预测的质量。最后，我们实现了最小的推理脚本，我们优化了两者，执行时间和所需的GPU内存。

Automatic segmentation is essential for the brain tumor diagnosis, disease prognosis, and follow-up therapy of patients with gliomas. Still, accurate detection of gliomas and their sub-regions in multimodal MRI is very challenging due to the variety of scanners and imaging protocols. Over the last years, the BraTS Challenge has provided a large number of multi-institutional MRI scans as a benchmark for glioma segmentation algorithms. This paper describes our contribution to the BraTS 2022 Continuous Evaluation challenge. We propose a new ensemble of multiple deep learning frameworks namely, DeepSeg, nnU-Net, and DeepSCAN for automatic glioma boundaries detection in pre-operative MRI. It is worth noting that our ensemble models took first place in the final evaluation on the BraTS testing dataset with Dice scores of 0.9294, 0.8788, and 0.8803, and Hausdorf distance of 5.23, 13.54, and 12.05, for the whole tumor, tumor core, and enhancing tumor, respectively. Furthermore, the proposed ensemble method ranked first in the final ranking on another unseen test dataset, namely Sub-Saharan Africa dataset, achieving mean Dice scores of 0.9737, 0.9593, and 0.9022, and HD95 of 2.66, 1.72, 3.32 for the whole tumor, tumor core, and enhancing tumor, respectively. The docker image for the winning submission is publicly available at (https://hub.docker.com/r/razeineldin/camed22).

脑肿瘤细分对于胶质瘤患者的诊断和预后至关重要。脑肿瘤分割挑战赛继续提供一种开发自动算法来执行任务的伟大数据来源。本文介绍了我们对2021年竞争的贡献。我们开发了基于NN-UNET的方法，去年竞争的胜利。我们尝试了多种修改，包括使用较大的网络，用组标准化替换批量归一化，并在解码器中使用轴向注意力。内部5倍交叉验证以及组织者的在线评估显示了我们的方法的有效性，与基线相比，定量度量的微小改善。拟议的型号在最终排名上赢得了未经证明的测试数据的第一名。获奖提交的代码，备用重量和Docker图像在https://github.com/rixez/brats21_kaist_mri_lab上公开可用

Convolutional Neural Networks (CNNs) with U-shaped architectures have dominated medical image segmentation, which is crucial for various clinical purposes. However, the inherent locality of convolution makes CNNs fail to fully exploit global context, essential for better recognition of some structures, e.g., brain lesions. Transformers have recently proven promising performance on vision tasks, including semantic segmentation, mainly due to their capability of modeling long-range dependencies. Nevertheless, the quadratic complexity of attention makes existing Transformer-based models use self-attention layers only after somehow reducing the image resolution, which limits the ability to capture global contexts present at higher resolutions. Therefore, this work introduces a family of models, dubbed Factorizer, which leverages the power of low-rank matrix factorization for constructing an end-to-end segmentation model. Specifically, we propose a linearly scalable approach to context modeling, formulating Nonnegative Matrix Factorization (NMF) as a differentiable layer integrated into a U-shaped architecture. The shifted window technique is also utilized in combination with NMF to effectively aggregate local information. Factorizers compete favorably with CNNs and Transformers in terms of accuracy, scalability, and interpretability, achieving state-of-the-art results on the BraTS dataset for brain tumor segmentation and ISLES'22 dataset for stroke lesion segmentation. Highly meaningful NMF components give an additional interpretability advantage to Factorizers over CNNs and Transformers. Moreover, our ablation studies reveal a distinctive feature of Factorizers that enables a significant speed-up in inference for a trained Factorizer without any extra steps and without sacrificing much accuracy. The code and models are publicly available at https://github.com/pashtari/factorizer.

本文提出了第二版的头部和颈部肿瘤（Hecktor）挑战的概述，作为第24届医学图像计算和计算机辅助干预（Miccai）2021的卫星活动。挑战由三个任务组成与患有头颈癌（H＆N）的患者的PET / CT图像的自动分析有关，专注于oropharynx地区。任务1是FDG-PET / CT图像中H＆N主肿瘤肿瘤体积（GTVT）的自动分割。任务2是来自同一FDG-PET / CT的进展自由生存（PFS）的自动预测。最后，任务3与任务2的任务2与参与者提供的地面真理GTVT注释相同。这些数据从六个中心收集，总共325个图像，分为224个培训和101个测试用例。通过103个注册团队和448个结果提交的重要参与，突出了对挑战的兴趣。在第一任务中获得0.7591的骰子相似度系数（DSC），分别在任务2和3中的0.7196和0.6978的一致性指数（C-Index）。在所有任务中，发现这种方法的简单性是确保泛化性能的关键。 PFS预测性能在任务2和3中的比较表明，提供GTVT轮廓对于实现最佳结果，这表明可以使用完全自动方法。这可能避免了对GTVT轮廓的需求，用于可重复和大规模的辐射瘤研究的开头途径，包括千元潜在的受试者。

脉络膜丛（CP）是产生大部分脑脊液（CSF）的大脑的心室的结构。几个淘汰的课后和体内研究已经指出了它们在多发性硬化症（MS）中的炎症过程中的作用。因此，来自MRI的CP的自动分割具有高价值，用于研究其在大型患者的大队列中的特征。据我们所知，CP分段唯一可自由的工具是FreeSurfer，但其对该特定结构的准确性很差。在本文中，我们建议自动从非对比度增强的T1加权MRI自动分段。为此，我们介绍了一种基于轴向多层截图（MLP）的组件的“Axial-MLP”的新模型。这是最近的作品启发，表明，变压器的自我注意层可以用MLPS取代。系统地与标准的3D U-Net，NNU-Net，FreeSurfer和Fastsurefer系统地进行系统地进行系统地进行系统地进行。对于我们的实验，我们利用141个受试者的数据集（44个对照和97名MS患者）。我们展示所有测试的深度学习（DL）方法优于FreeSurfer（DIC为0.7的骰子，对于FreeSurfer的DL 0.33）。 Axial-MLP与U-Net竞争竞争，即使它略有略低于准确。我们纸张的结论是两倍：1）学习的深度学习方法可能是研究CP在MS患者的大型队列中的有用工具; 2）〜Axial-MLP是用于这种任务的卷积神经网络的潜在可行的替代方案，尽管它可以从进一步的改进中受益。

检测新的多发性硬化症（MS）病变是该疾病进化的重要标志。基于学习的方法的适用性可以有效地自动化此任务。然而，缺乏带有新型病变的注释纵向数据是训练健壮和概括模型的限制因素。在这项工作中，我们描述了一条基于学习的管道，该管道解决了检测和细分新MS病变的挑战性任务。首先，我们建议使用单个时间点对在分割任务进行训练的模型中使用转移学习。因此，我们从更轻松的任务中利用知识，并为此提供更多注释的数据集。其次，我们提出了一种数据综合策略，以使用单个时间点扫描生成新的纵向时间点。通过这种方式，我们将检测模型预算到大型合成注释数据集上。最后，我们使用旨在模拟MRI中数据多样性的数据实践技术。通过这样做，我们增加了可用的小注释纵向数据集的大小。我们的消融研究表明，每个贡献都会提高分割精度。使用拟议的管道，我们获得了MSSEG2 MICCAI挑战中新的MS病变的分割和检测的最佳分数。

来自3D CTA的多结构（即肾脏，肾脏，动脉和静脉）的准确和自动分割是基于手术的肾脏癌治疗的最重要任务之一（例如，腹腔镜部分肾切除术）。本文简要介绍了MICCAI 2022 KIPA挑战中多结构SEG-Interation方法的主要技术细节。本文的主要贡献是，我们设计具有大量上下文信息限制功能的3D UNET。我们的方法在MICCAI 2022 KIPA CHAL-LENGE开放测试数据集上排名第八，平均位置为8.2。我们的代码和训练有素的模型可在https://github.com/fengjiejiejiejie/kipa22_nnunet上公开获得。

对使用基于深度学习的方法来实现正电子发射断层扫描（PET CT）扫描中的病变的完全自动分割的研究兴趣越来越多，以实现各种癌症的预后。医学图像细分的最新进展表明，NNUNET对于各种任务是可行的。但是，PET图像中的病变分割并不直接，因为病变和生理摄取具有相似的分布模式。它们的区别需要CT图像中的额外结构信息。本文引入了一种基于NNUNET的病变分割任务的方法。提出的模型是根据关节2D和3D NNUNET结构设计的，以预测整个身体的病变。它允许对潜在病变的自动分割。我们在AUTOPET挑战的背景下评估了所提出的方法，该方法衡量了骰子评分指标，假阳性体积和假阴性体积的病变分割性能。

足球溃疡是糖尿病的常见并发症，与大量发病率和死亡率有关，仍然是低腿截肢的主要危险因素。从脚伤中提取准确的形态特征对于适当的治疗至关重要。尽管医学专家的视觉检查是诊断的常见方法，但这是主观且容易出错的方法，因此，计算机辅助方法提供了一种有趣的选择。基于深度学习的方法，尤其是卷积神经网络（CNN），在包括医学图像分割（医学图像分割）的各种任务方面表现出了出色的性能。在本文中，我们提出了一种基于两个基于编码器的CNN模型，即Linknet和U-NET，以执行足球溃疡分割。为了处理有限数量的可用培训样品，我们使用预训练的权重（linkNet模型的有效网络B1和U-NET模型的有效网络B2），并使用MEDETEC数据集进行进一步的预训练，同时还应用了许多形态 - 基于颜色的增强技术。为了提高分割性能，我们结合了五倍的交叉验证，测试时间扩展和结果融合。我们的方法适用于公开可用的慢性伤口数据集和Miccai 2021足球溃疡分段（Fuseg）挑战，我们的方法分别以92.07％和88.80％的基于数据的骰子得分实现最先进的性能，并且是最高的，并且是最高的，并且是最高的。 Fuseg挑战排行榜中排名的方法。 https://github.com/masih4/foot_ulcer_segmentation公开获得对接指南，推理代码和保存训练的模型。