基于深度学习的心外膜脂肪分割

人工智能-其他

心外膜脂肪与几乎所有血管及心脏疾病的发生、发展及严重程度相关,有必要对其容积、厚度及密度等指标进行量化。目前分割和量化方法的性能有待提升且难以适应心脏变形的数据,此外现有研究无法仅适用于开发模型的数据集,对于不同扫描参数/设备/中心等数据的泛化能力较差。我们建立了一个二维卷积网络及U形网络实现了心外膜脂肪的分割,基于此给出心外膜脂肪所在的区域从而提取三维图像Patch用于进行精确分割。我们建立了一个卷积和Transformer的混合模型,结合卷积的归纳能力和Transformer的全局建模能力实现了精确分割,即使在有心脏变形情况下,仍取得了较好的结果。采用无监督领域自适应方法,在无标记情况下,...

基于深度学习的心外膜脂肪分割
基于深度学习的心外膜脂肪分割
基于深度学习的心外膜脂肪分割

基于深度学习算法实现T1的颅内动脉瘤分割

人工智能-其他

颅内动脉瘤的检测和分割方法很多,但都是基于血管增强影像(CTA/MRA/DSA)实现的。临床诊疗流程中,由于患者主诉及医师的水平可能会导致部分患者没有进行血管增强影像,从而导致动脉瘤的漏诊。而T1数据作为最常用的序列,在T1上实现分割会减少漏诊。创新性的设计了颅内动脉瘤自适应选择算法实现颅内动脉瘤及标签的智能提取,应用三个深度学习模型实现从不同大小/形状各异/对比度低等情况下实现分割,设计了模型集合方法实现了三个模型的结合,在减小假阳性的基础上提升了灵敏度。与血管增强方法对比,本研究使用非增强T1图像实现了相当的性能。...

基于深度学习算法实现T1的颅内动脉瘤分割
基于深度学习算法实现T1的颅内动脉瘤分割

基于深度学习算法实现T1的颅内动脉瘤分割

人工智能-其他

颅内动脉瘤的检测和分割方法很多,但都是基于血管增强影像(CTA/MRA/DSA)实现的。临床诊疗流程中,由于患者主诉及医师的水平可能会导致部分患者没有进行血管增强影像,从而导致动脉瘤的漏诊。而T1数据作为最常用的序列,在T1上实现分割会减少漏诊。创新性的设计了颅内动脉瘤自适应选择算法实现颅内动脉瘤及标签的智能提取,应用三个深度学习模型实现从不同大小/形状各异/对比度低等情况下实现分割,设计了模型集合方法实现了三个模型的结合,在减小假阳性的基础上提升了灵敏度。与血管增强方法对比,本研究使用非增强T1图像实现了相当的性能。...

基于深度学习算法实现T1的颅内动脉瘤分割
基于深度学习算法实现T1的颅内动脉瘤分割
------ 加载完毕 ------
联系聘用方端客服