目的：单个骨骼的本地化和细分是许多计划和导航应用程序中重要的预处理步骤。但是，如果手动完成，这是一项耗时和重复的任务。这不仅对于临床实践，而且对于获取培训数据都是正确的。因此，我们不仅提出了一种端到端学习的算法，该算法能够在上身CT中分割125个不同的骨骼，而且还提供了基于合奏的不确定性度量，有助于单张扫描以扩大训练数据集。方法我们使用受3D-UNET和完全监督培训启发的神经网络体系结构创建全自动的端到端学习细分。使用合奏和推理时间扩展改进结果。我们研究了合奏 - 不确定性与未标记的扫描的前瞻性用途，这是培训数据集的一部分。结果：我们的方法在16个上体CT扫描的内部数据集上进行评估，每个维度的分辨率为\ si {2} {\ milli \ meter}。考虑到我们标签集中的所有125个骨头，我们最成功的合奏中位数骰子得分系数为0.83。我们发现扫描的集合不确定性与其对扩大训练集中获得的准确性的前瞻性影响之间缺乏相关性。同时，我们表明集成不确定性与初始自动分割后需要手动校正的体素数量相关，从而最大程度地降低了最终确定新的地面真实分段所需的时间。结论：结合结合，集合不确定性低的扫描需要更少的注释时间，同时产生类似的未来DSC改进。因此，它们是扩大从CT扫描的上身不同骨分割的训练集的理想候选者。 }
translated by 谷歌翻译
最近关于Covid-19的研究表明，CT成像提供了评估疾病进展和协助诊断的有用信息，以及帮助理解疾病。有越来越多的研究，建议使用深度学习来使用胸部CT扫描提供快速准确地定量Covid-19。兴趣的主要任务是胸部CT扫描的肺和肺病变的自动分割，确认或疑似Covid-19患者。在这项研究中，我们使用多中心数据集比较12个深度学习算法，包括开源和内部开发的算法。结果表明，合并不同的方法可以提高肺部分割，二元病变分割和多种子病变分割的总体测试集性能，从而分别为0.982,0.724和0.469的平均骰子分别。将得到的二元病变分段为91.3ml的平均绝对体积误差。通常，区分不同病变类型的任务更加困难，分别具有152mL的平均绝对体积差，分别为整合和磨碎玻璃不透明度为0.369和0.523的平均骰子分数。所有方法都以平均体积误差进行二元病变分割，该分段优于人类评估者的视觉评估，表明这些方法足以用于临床实践中使用的大规模评估。
translated by 谷歌翻译
自动图像分析中的不确定性定量在许多应用中高度满足。通常，分类或细分中的机器学习模型仅用于提供二进制答案。但是，量化模型的不确定性可能在主动学习或机器人类互动中起关键作用。当使用基于深度学习的模型时，不确定性量化尤其困难，这是许多成像应用中最新的。当前的不确定性量化方法在高维实际问题中不能很好地扩展。可扩展的解决方案通常依赖于具有不同随机种子的相同模型的推理或训练集合过程中的经典技术，以获得后验分布。在本文中，我们表明这些方法无法近似分类概率。相反，我们提出了一个可扩展和直观的框架来校准深度学习模型的合奏，以产生近似分类概率的不确定性定量测量。在看不见的测试数据上，我们证明了与标准方法进行比较时的校准，灵敏度（三种情况中的两种）以及精度。我们进一步激发了我们在积极学习中的方法的用法，创建了伪标签，以从未标记的图像和人机合作中学习。
translated by 谷歌翻译
临床实践中使用的医学图像是异质的，与学术研究中研究的扫描质量不同。在解剖学，伪影或成像参数不寻常或方案不同的极端情况下，预处理会分解。最需要对这些变化的方法可靠。提出了一种新颖的深度学习方法，以将人脑快速分割为132个区域。提出的模型使用有效的U-NET型网络，并从不同视图和分层关系的交点上受益，以在端到端训练期间融合正交2D平面和脑标签。部署了弱监督的学习，以利用部分标记的数据来进行整个大脑分割和颅内体积（ICV）的估计。此外，数据增强用于通过生成具有较高的脑扫描的磁共振成像（MRI）数据来扩展模型训练，同时保持数据隐私。提出的方法可以应用于脑MRI数据，包括头骨或任何其他工件，而无需预处理图像或性能下降。与最新的一些实验相比，使用了不同的Atlases的几项实验，以评估受过训练模型的分割性能，并且与不同内部和不同内部和不同内部方法的现有方法相比，结果显示了较高的分割精度和鲁棒性。间域数据集。
translated by 谷歌翻译
尽管数据增强和转移学习有所进步，但卷积神经网络（CNNS）难以推广到看不见的域。在分割大脑扫描时，CNN对分辨率和对比度的变化非常敏感：即使在相同的MRI模式内，则性能可能会跨数据集减少。在这里，我们介绍了Synthseg，第一个分段CNN无关紧要对比和分辨率。 Synthseg培训，用从分段上的生成模型采样的合成数据培训。至关重要，我们采用域随机化策略，我们完全随机开启了合成培训数据的对比度和解决。因此，Synthseg可以在没有再培训或微调的情况下对任何目标结构域进行真实扫描，这是首次分析大量的异构临床数据。因为Synthseg仅需要进行培训（无图像），所以它可以从通过不同群体的对象（例如，老化和患病）的自动化方法获得的标签中学习，从而实现广泛的形态变异性的鲁棒性。我们展示了Synthseg在六种方式的5,300扫描和十项决议中，与监督CNN，最先进的域适应和贝叶斯分割相比，它表现出无与伦比的泛化。最后，我们通过将其施加到心脏MRI和CT分割来证明SyntheeG的恒定性。
translated by 谷歌翻译
CT图像中的椎骨定位，分割和识别是众多临床应用的关键。尽管近年来，深度学习策略已为该领域带来了重大改进，但由于其在培训数据集中的代表性不佳，过渡性和病理椎骨仍在困扰大多数现有方法。另外，提出的基于非学习的方法可以利用先验知识来处理这种特定情况。在这项工作中，我们建议将这两种策略结合起来。为此，我们引入了一个迭代循环，在该循环中，单个椎骨被递归地定位，分割和使用深网鉴定，而使用统计先验则实施解剖一致性。在此策略中，通过在图形模型中编码其配置来处理过渡性椎骨识别，该模型将局部深网预测汇总为解剖上一致的最终结果。我们的方法在Verse20挑战基准上取得了最新的结果，并且优于过渡性椎骨的所有方法以及对Verse19挑战基准的概括。此外，我们的方法可以检测和报告不满足解剖学一致性先验的不一致的脊柱区域。我们的代码和模型公开用于研究目的。
translated by 谷歌翻译
医疗图像分割通常需要在单个图像上分割多个椭圆对象。这包括除其他任务外，还分割了诸如轴向CTA切片的主动脉之类的容器。在本文中，我们提出了一种一般方法，用于改善这些任务中神经网络的语义分割性能，并验证我们在主动脉分割任务中的方法。我们使用两个神经网络的级联反应，其中一个基于U-NET体系结构执行粗糙的分割，另一个对输入的极性图像转换执行了最终分割。粗糙分割的连接组件分析用于构建极性变换，并且使用磁滞阈值融合了对同一图像的多个转换的预测。我们表明，这种方法可以改善主动脉分割性能，而无需复杂的神经网络体系结构。此外，我们表明我们的方法可以提高稳健性和像素级的回忆，同时根据最新的状态实现细分性能。
translated by 谷歌翻译
超声（US）成像数据的分割和空间比对在头三个月获得的数据对于监测整个关键时期的人类胚胎生长和发育至关重要。当前的方法是手动或半自动的，因此非常耗时，容易出现错误。为了自动执行这些任务，我们提出了一个多ATLAS框架，用于使用深度学习，以最小的监督使用深度学习，以自动分割和空间对齐。我们的框架学会了将胚胎注册到地图集，该地图集由在胎龄（GA）范围内获取的美国图像组成，分段并在空间上与预定义的标准方向排列。由此，我们可以得出胚胎的分割，并将胚胎放在标准方向上。使用在8+0到12+6周GA的美国图像，并选择了八个受试者作为地图集。我们评估了不同的融合策略，以合并多个地图集：1）使用单个主题中的地图集训练框架，2）使用所有可用地图的数据训练框架和3）3）结合每个受试者训练的框架。为了评估性能，我们计算了测试集的骰子分数。我们发现，使用所有可用地图的训练框架优于结合的结合，与对单个主题进行培训的所有框架中的最佳框架相比，给出了类似的结果。此外，我们发现，从所有可用的地图中，从GA最接近的四个图像中选择图像，无论个人质量如何，都以0.72的中位数分数获得了最佳效果。我们得出的结论是，我们的框架可以准确地分割和空间对齐孕妇在3D US图像中对胚胎进行对齐，并且对于可用地图中存在的质量变化是可靠的。我们的代码可在以下网址公开获取：https：//github.com/wapbastiaansen/multi-atlas-seg-reg。
translated by 谷歌翻译
主要的神经影像学研究推动了1.0 mm以下的3T MRI采集分辨率，以改善结构定义和形态学。然而，只有很少的时间 - 密集的自动化图像分析管道已被验证为高分辨率（雇用）设置。另一方面，有效的深度学习方法很少支持多个固定分辨率（通常1.0 mm）。此外，缺乏标准的杂交数据分辨率以及具有足够覆盖的扫描仪，年龄，疾病或遗传方差的多样化数据的有限可用性会带来额外的，未解决的挑战培训网络。将分辨率独立于基于深度学习的分割，即在一系列不同的体素大小上以其本地分辨率进行分辨率的能力，承诺克服这些挑战，但目前没有这种方法。我们现在通过向决议独立的分割任务（VINN）引入VINOSEIZED独立的神经网络（VINN）来填补这个差距，并呈现FastSurfervinn，（i）建立并实施决议独立，以获得深度学习作为同时支持0.7-1.0 mm的第一种方法分割，（ii）显着优于跨决议的最先进方法，（iii）减轻雇用数据集中存在的数据不平衡问题。总体而言，内部分辨率 - 独立性相互益处雇用和1.0 mm MRI分割。通过我们严格验证的FastSurfervinn，我们将为不同的神经视线镜分析分发一个快速工具。此外，VINN架构表示更广泛应用的有效分辨率的分段方法
translated by 谷歌翻译
大脑的血管为人脑提供所需的营养和氧气。作为大脑血液供应的脆弱部分，小血管的病理可能会引起严重的问题，例如脑小血管疾病（CSVD）。还显示CSVD与神经变性有关，例如阿尔茨海默氏病。随着7个特斯拉MRI系统的发展，可以实现较高的空间图像分辨率，从而使大脑中非常小的血管描绘。非深度学习的方法进行血管分割的方法，例如，弗兰吉的血管增强，随后的阈值能够将培养基分割至大容器，但通常无法分割小血管。这些方法对小容器的敏感性可以通过广泛的参数调整或手动校正来提高，尽管使它们耗时，费力，并且对于较大的数据集而言是不可行的。本文提出了一个深度学习架构，以自动在7特斯拉3D飞行时间（TOF）磁共振血管造影（MRA）数据中自动分割小血管。该算法对仅11个受试者的小型半自动分段数据进行训练和评估；使用六个进行培训，两个进行验证，三个进行测试。基于U-NET多尺度监督的深度学习模型使用训练子集进行了训练，并以一种自我监督的方式使用变形 - 意识到的学习以改善概括性能。针对测试集对拟议的技术进行了定量和定性评估，并获得了80.44 $ \ pm $ 0.83的骰子得分。此外，将所提出的方法的结果与选定的手动分割区域（62.07结果骰子）进行了比较，并通过变形感知的学习显示出显着改善（18.98 \％）。
translated by 谷歌翻译
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。
translated by 谷歌翻译
整个腹部器官分割起着腹部损伤诊断，放射治疗计划的重要作用，并随访。然而，划定肿瘤学家所有腹部器官手工费时且非常昂贵的。近日，深学习型医学图像分割显示，以减少人工划定努力的潜力，但它仍然需要培训的大型精细注释的数据集。虽然在这个任务很多努力，但仍然覆盖整个腹部区域与整个腹腔脏器分割准确和详细的注解几个大的图像数据集。在这项工作中，我们建立了一个大型的\ textit【W】孔腹部\ textit {} OR甘斯\ textit {d} ataset（\ {textit WORD}）的算法研究和临床应用的发展。此数据集包含150个腹部CT体积（30495片），并且每个卷具有16个机关用细像素级注释和涂鸦基于稀疏注释，这可能是与整个腹部器官注释最大数据集。状态的最先进的几个分割方法是在该数据集进行评估。而且，我们还邀请了临床肿瘤学家修改模型预测测量深度学习方法和真实的肿瘤学家之间的差距。我们进一步介绍和评价这一数据集一个新的基于涂鸦，弱监督分割。该工作腹部多器官分割任务提供了新的基准，这些实验可以作为基准对未来的研究和临床应用的发展。 https://github.com/HiLab-git/WORD：代码库和数据集将被释放
translated by 谷歌翻译
准确的几何表示对于开发有限元模型至关重要。尽管通常只有很少的数据在准确细分精美特征，例如缝隙和薄结构方面，虽然只有很少的数据就有良好的深度学习分割方法。随后，分段的几何形状需要劳动密集型手动修改，以达到可用于模拟目的的质量。我们提出了一种使用转移学习来重复使用分段差的数据集的策略，并结合了交互式学习步骤，其中数据对数据进行微调导致解剖上精确的分割适合模拟。我们使用改良的多平台UNET，该UNET使用下髋关节分段和专用损耗函数进行预训练，以学习间隙区域和后处理，以纠正由于旋转不变性而在对称类别上的微小不准确性。我们证明了这种可靠但概念上简单的方法，采用了临床验证的髋关节扫描扫描的临床验证结果。代码和结果3D模型可在以下网址提供：\ url {https://github.com/miccai2022-155/autoseg}
translated by 谷歌翻译
机器学习和计算机视觉技术近年来由于其自动化，适合性和产生惊人结果的能力而迅速发展。因此，在本文中，我们调查了2014年至2022年之间发表的关键研究，展示了不同的机器学习算法研究人员用来分割肝脏，肝肿瘤和肝脉管结构的研究。我们根据感兴趣的组织（肝果，肝肿瘤或肝毒剂）对被调查的研究进行了划分，强调了同时解决多个任务的研究。此外，机器学习算法被归类为受监督或无监督的，如果属于某个方案的工作量很大，则将进一步分区。此外，对文献和包含上述组织面具的网站发现的不同数据集和挑战进行了彻底讨论，强调了组织者的原始贡献和其他研究人员的贡献。同样，在我们的评论中提到了文献中过度使用的指标，这强调了它们与手头的任务的相关性。最后，强调创新研究人员应对需要解决的差距的关键挑战和未来的方向，例如许多关于船舶分割挑战的研究的稀缺性以及为什么需要早日处理他们的缺席。
translated by 谷歌翻译
风险（OAR）的器官的分割是具有图像引导放射治疗的癌症治疗所需的前提。因此，分割任务的自动化是高临床相关性的。基于深度学习（DL）的医学图像分割是目前最成功的方法，但遭受背景类别和解剖学上给定的器官尺寸差异，这在头部和颈部（汉）区域中最严重。为了解决汉族地区特定的类别不平衡问题我们首先优化当前最好的通用分割框架的补丁大小，基于介绍的类不平衡测量，第二，介绍了课堂自适应骰子损失补偿高度不平衡的设置。补丁大小和损耗功能都是对类别不平衡有直接影响的参数，并且它们的优化导致骰子得分的3 \％增加了95％Hausdorff距离的22％，最后达到0.8美元\ PM0.15 $和3.17美元\ PM1.7 $ mm用于使用单个和简单的神经网络分割七汉机关的分割。补丁大小优化和类自适应骰子损耗均可在基于DL的基于DL的分段方法中简单集成，并允许提高类别不平衡分段任务的性能。
translated by 谷歌翻译
简介：人工智能（AI）有可能促进CMR分析以进行生物标志物提取的自动化。但是，大多数AI算法都经过特定输入域（例如单扫描仪供应商或医院量化成像协议）的培训，并且当从其他输入域中应用于CMR数据时，缺乏最佳性能的鲁棒性。方法：我们提出的框架包括一种基于AI的算法，用于对短轴图像的双脑室分割，然后进行分析后质量控制，以检测错误的结果。分割算法在来自两家NHS医院（n = 2793）的大型临床CMR扫描数据集上进行了培训，并在此数据集（n = 441）和五个外部数据集（n = 6808）上进行了验证。验证数据包括使用所有主要供应商的CMR扫描仪在12个不同中心获得的一系列疾病的患者的CMR扫描。结果：我们的方法产生的中位骰子得分超过87％，转化为观察者间变异范围内心脏生物标志物中的中值绝对错误：<8.4ml（左心室），<9.2ml（右心室），<13.3G（左心室），<13.3G（左心室所有数据集的心室质量），<5.9％（射血分数）。根据心脏疾病和扫描仪供应商的表型的病例分层显示出良好的一致性。结论：我们表明，我们提出的工具结合了在大规模多域CMR数据集中训练的最先进的AI算法和分析后质量控制，使我们能够从多个中心，供应商和心脏病。这是AI算法临床翻译的基本步骤。此外，我们的方法以无需额外的计算成本而产生一系列心脏功能（填充和弹出率，区域壁运动和应变）的附加生物标志物。
translated by 谷歌翻译
MRI中胎儿结构的体积测量很耗时，并且容易发生错误，因此需要自动分割。由于胎盘模糊边界和胎儿脑皮层复杂的褶皱，胎盘分割和准确的胎儿脑分割进行回旋评估特别具有挑战性。在本文中，我们研究了对问题的轮廓骰子损失的使用，并将其与其他边界损失以及联合骰子和横向内向损失进行比较。通过侵蚀，扩张和XOR操作员有效地计算出每个切片的损失。我们描述了类似于轮廓骰子指标的损失的新公式。骰子损失和轮廓骰子的组合为胎盘分割提供了最佳性能。对于胎儿脑部分割，最佳性能的损失是结合骰子丢失，随后是骰子和轮廓骰子损失的骰子，其性能比其他边界损失更好。
translated by 谷歌翻译
机器学习算法支撑现代诊断辅助软件，这在临床实践中证明了有价值的，特别是放射学。然而，不准确的是，主要是由于临床样本的可用性有限，用于培训这些算法，妨碍他们在临床医生中更广泛的适用性，接受和识别。我们对最先进的自动质量控制（QC）方法进行了分析，可以在这些算法中实现，以估计其输出的确定性。我们验证了识别磁共振成像数据中的白质超收缩性（WMH）的大脑图像分割任务上最有前途的方法。 WMH是在上层前期成年中常见的小血管疾病的关联，并且由于其变化的尺寸和分布模式而尤其具有挑战性。我们的研究结果表明，不确定度和骰子预测的聚集在此任务的故障检测中最有效。两种方法在0.82至0.84的情况下独立改善平均骰子。我们的工作揭示了QC方法如何有助于检测失败的分割案例，从而使自动分割更可靠，适合临床实践。
translated by 谷歌翻译
域适应（DA）最近在医学影像社区提出了强烈的兴趣。虽然已经提出了大量DA技术进行了用于图像分割，但大多数这些技术已经在私有数据集或小公共可用数据集上验证。此外，这些数据集主要解决了单级问题。为了解决这些限制，与第24届医学图像计算和计算机辅助干预（Miccai 2021）结合第24届国际会议组织交叉模态域适应（Crossmoda）挑战。 Crossmoda是无监督跨型号DA的第一个大型和多级基准。挑战的目标是分割参与前庭施瓦新瘤（VS）的后续和治疗规划的两个关键脑结构：VS和Cochleas。目前，使用对比度增强的T1（CET1）MRI进行VS患者的诊断和监测。然而，使用诸如高分辨率T2（HRT2）MRI的非对比度序列越来越感兴趣。因此，我们创建了一个无人监督的跨模型分段基准。训练集提供注释CET1（n = 105）和未配对的非注释的HRT2（n = 105）。目的是在测试集中提供的HRT2上自动对HRT2进行单侧VS和双侧耳蜗分割（n = 137）。共有16支球队提交了评估阶段的算法。顶级履行团队达成的表现水平非常高（最佳中位数骰子 - vs：88.4％; Cochleas：85.7％）并接近完全监督（中位数骰子 - vs：92.5％;耳蜗：87.7％）。所有顶级执行方法都使用图像到图像转换方法将源域图像转换为伪目标域图像。然后使用这些生成的图像和为源图像提供的手动注释进行培训分割网络。
translated by 谷歌翻译
在这项工作中，我们着重于（全身）CT图像中多个解剖结构的自动分割。此任务存在许多分割算法。但是，在大多数情况下，它们遇到了3个问题：1。它们难以使用（代码和数据不公开或难以使用）。 2.它们不概括（通常将训练数据集策划为仅包含非常干净的图像，而这些图像不会反映在临床常规过程中发现的图像分布），3。算法只能分段一个解剖结构。对于更多结构，必须使用几种算法，以增加设置系统所需的精力。在这项工作中，我们发布了一个新的数据集和分割工具包，该工具包解决了所有这三个问题：在1204个CT图像中，我们对104个解剖结构（27个器官，59个骨头，10个肌肉，10次肌肉，8艘船）涵盖了大多数相关类别的大部分使用类别案例。我们展示了改进的工作流程，以创建地面真理分段，从而使过程加快了10倍以上。 CT图像是从临床常规中随机采样的，因此代表了一个现实世界数据集，该数据集将其推广到临床应用。该数据集包含各种不同的病理，扫描仪，序列和位点。最后，我们在此新数据集上训练一种细分算法。我们称此算法总节度器，并使其轻松作为验证的Python PIP软件包（PIP安装总节目器）。用法与TotalSmentemator -I CT.NII.GZ -O SEG一样简单，对于大多数CT图像，它都可以很好地工作。该代码可在https://github.com/wasserth/totalsegnsementator和数据集上获得，请访问https://doi.org/10.5281/zenodo.6802613。
translated by 谷歌翻译