检索结果-维普期刊中文期刊服务平台

多模态3D卷积神经网络脑部胶质瘤分割方法被引量：4: 1; 作者谷宇吕晓琪 +7 位作者李菁任国印喻大华赵瑛吴凉张文莉郝小静黄显武《科学技术与工程》北大核心 2018年第7期18-24,共7页; 由于大多数脑部胶质瘤边界有水肿且内部结构复杂,分割胶质瘤及瘤内结构难度较大。提出一种新的基于多模态MRI 3D卷积神经网络(CNN)脑部胶质瘤及瘤内各结构的自动分割算法。首先,标准化由T1、T1c、T2、FLAIR 4个MRI模态组成的输入图像。... 展开更多; 关键词脑部胶质瘤瘤内结构多模态mri 3D卷积神经网络图像分割; 在线阅读下载PDF 职称材料

脑肿瘤三维可视化模型自动重建技术的开发及临床应用: 2; 作者刘培龙蒋理 +4 位作者谢延风詹彦邓博徐伟竣石全红《重庆医科大学学报》 CAS CSCD 北大核心 2024年第4期471-477,共7页; 目的:研究和开发一种基于头颅多模态核磁共振成像(magnetic resonance imaging,MRI)的影像学数据,自动重建常见脑肿瘤及其周围重要结构的三维可视化模型,并验证其效能及临床适用性。方法:收集常见脑肿瘤头颅多模态核磁共振影像数据,并... 展开更多; 关键词机器学习多模态mri 脑肿瘤三维可视化模型; 在线阅读下载PDF 职称材料

基于融合损失函数的3D U-Net++脑胶质瘤分割网络被引量：11: 3; 作者张晓宇王彬 +2 位作者安卫超阎婷相洁《计算机科学》 CSCD 北大核心 2021年第9期187-193,共7页; 胶质瘤是大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤。从多模态MRI中对胶质瘤组织进行可靠的分割具有很重要的临床价值,但是由于脑胶质瘤本身及周边组织较为复杂以及浸润性导致的边界模糊等,导致对脑胶质瘤的自动分割有... 展开更多; 关键词多模态mri 胶质瘤肿瘤分割 3D U-Net++ 融合损失函数; 在线阅读下载PDF 职称材料

基于3D卷积神经网络的脑肿瘤医学图像分割优化被引量：8: 4; 作者曹祺炜王峰牛锦《现代电子技术》北大核心 2020年第3期74-77,共4页; 针对2D卷积神级网络不能够较好地提取各模态之间的差异信息,不同的图像层肿瘤大小差异显著,且分割精度低,单模态MRI无法清晰地反映GBM的不同组织结构,提出一种基于3D多池化卷积神经网络拟解决以上实际问题。将卷积神经网络应用到脑肿瘤... 展开更多; 关键词脑肿瘤医学图像分割多模态mri 差异信息提取多尺度采样 3D卷积神经网络; 在线阅读下载PDF 职称材料

题名多模态3D卷积神经网络脑部胶质瘤分割方法被引量：4: 1; 作者谷宇吕晓琪李菁任国印喻大华赵瑛吴凉张文莉郝小静黄显武; 机构上海大学计算机工程与科学学院内蒙古科技大学信息工程学院内蒙古自治区模式识别与智能图像处理重点实验室; 出处《科学技术与工程》北大核心 2018年第7期18-24,共7页; 基金 2017年8月18日收到国家自然科学基金(61771266，81571753，81460279，81301281，61179019)、内蒙古自治区自然科学基金(2015MS0604，2014MS0828)、内蒙古自治区高等学校科学研究项目(NJZY145，NJZZ14161)、包头市科技计划项目(2015C2006-14)和内蒙古科技大学创新基金(2015QNGG03，2014QNGG08，2015QDL26，2014QDL045)资助; 文摘由于大多数脑部胶质瘤边界有水肿且内部结构复杂,分割胶质瘤及瘤内结构难度较大。提出一种新的基于多模态MRI 3D卷积神经网络(CNN)脑部胶质瘤及瘤内各结构的自动分割算法。首先,标准化由T1、T1c、T2、FLAIR 4个MRI模态组成的输入图像。其次,构建10个卷积层,2个全连接层的3D CNN。卷积层采用3×3×3的3D卷积核;全连接层采用PRe Lu激励函数,并结合dropout技术防止过拟合。构建的3D CNN分割胶质瘤和瘤内各结构精度高,与专家手动分割的结果接近。实验结果表明,构建的多模态3D CNN能够准确地分割MRI多模态图像脑部胶质瘤及瘤内各结构,具有重要的临床意义。; 关键词脑部胶质瘤瘤内结构多模态mri 3D卷积神经网络图像分割; Keywords brain glioma intra-tumoral structures multimodality mri 3D convolution neural network image segmentation; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名脑肿瘤三维可视化模型自动重建技术的开发及临床应用: 2; 作者刘培龙蒋理谢延风詹彦邓博徐伟竣石全红; 机构重庆医科大学附属第一医院神经外科; 出处《重庆医科大学学报》 CAS CSCD 北大核心 2024年第4期471-477,共7页; 基金重庆市自然科学基金面上项目(编号:CSTB2022NSCQMSX0152)。; 文摘目的:研究和开发一种基于头颅多模态核磁共振成像(magnetic resonance imaging,MRI)的影像学数据,自动重建常见脑肿瘤及其周围重要结构的三维可视化模型,并验证其效能及临床适用性。方法:收集常见脑肿瘤头颅多模态核磁共振影像数据,并将其分为训练集、验证集和临床测试集。在训练及验证中,通过3D深度卷积神经网络的算法训练系统自动分割并重建出脑肿瘤及周围结构的能力;在临床测试集中分别用系统及人工手动的方法完成重建,比较本系统自动重建与手动重建之间的重建效率及图像质量。结果:在完成1例肿瘤及周围结构一体化模型重建的时间花费上面,系统用时由人工用时的(5 442±623) s减少至(657±78) s,差异有统计学意义(t=27.530,P=0.000)。且系统重建出的模型与原始影像学图像具有高度一致性(Dice系数为0.92),系统重建出的图像与人工重建的图像在质量方面并无明显差异。结论:基于多模态影像学数据,运用深度学习等算法对脑肿瘤及周围结构进行自动分割及全自动三维可视化重建,具有准确、高效、可靠的优点,对于脑肿瘤的诊断和手术计划的制定具有重要意义。; 关键词机器学习多模态mri 脑肿瘤三维可视化模型; Keywords machine learning multimodal mri brain tumor 3D visualization model; 分类号 R651.19 [医药卫生—外科学]; 在线阅读下载PDF 职称材料

题名基于融合损失函数的3D U-Net++脑胶质瘤分割网络被引量：11: 3; 作者张晓宇王彬安卫超阎婷相洁; 机构太原理工大学信息与计算机学院山西医科大学转化医学研究中心; 出处《计算机科学》 CSCD 北大核心 2021年第9期187-193,共7页; 基金国家自然科学基金(81702449) 国家重点研发计划(2018AAA0102604)。; 文摘胶质瘤是大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤。从多模态MRI中对胶质瘤组织进行可靠的分割具有很重要的临床价值,但是由于脑胶质瘤本身及周边组织较为复杂以及浸润性导致的边界模糊等,导致对脑胶质瘤的自动分割有一定的难度。文中构建了使用融合损失函数的3D U-Net++网络来对脑胶质瘤的不同区域进行分割,该网络使用不同层级的U-Net模型进行密集嵌套连接,使用网络的4个分支的输出结果作为深度监督以更好地结合深层和浅层的特征进行分割,并结合了Dice损失函数和交叉熵损失函数作为融合损失函数来提升小区域的分割精度。在2019年多模态脑肿瘤分割挑战赛(BraTs)的公共数据集划分的独立测试集中,采用Dice系数、95%Hausdorff距离、平均交并比(mIoU)、查准率(PPV)指标对所提方法进行了评估。结果表明,全肿瘤区域、肿瘤核心区域和增强肿瘤区域的Dice系数分别为0.873,0.814,0.709;其95%Hausdorff距离分别为15.455,12.475,12.309;其mIoU分别为0.789,0.720,0.601;其PPV分别为0.898,0.846,0.735。与基础的3D U-Net以及带深度监督的3D U-Net相比,所提方法可以有效地利用多模态的深层和浅层的信息,有效利用了空间信息,同时使用了Dice系数和交叉熵的融合损失函数,从而有效提升了对肿瘤各区域的分割精度,尤其是对小面积的增强肿瘤区域的分割精度。; 关键词多模态mri 胶质瘤肿瘤分割 3D U-Net++ 融合损失函数; Keywords Multimodal magnetic resonance imaging Glioma Tumor segmentation 3D U-Net++ Fusion loss function; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于3D卷积神经网络的脑肿瘤医学图像分割优化被引量：8: 4; 作者曹祺炜王峰牛锦; 机构太原理工大学信息与计算机学院; 出处《现代电子技术》北大核心 2020年第3期74-77,共4页; 基金国家自然科学基金资助项目（61503273）; 文摘针对2D卷积神级网络不能够较好地提取各模态之间的差异信息,不同的图像层肿瘤大小差异显著,且分割精度低,单模态MRI无法清晰地反映GBM的不同组织结构,提出一种基于3D多池化卷积神经网络拟解决以上实际问题。将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出3D多池化卷积神经网络模型,通过多尺度的输入与多尺度的下采样,且在后端使用条件随机场(CRF)使图片尽量在边界处分割,增加图像的分割精度,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异。通过对100例患者的多模态磁共振图像进行分割,Dice系数达到91.64%;MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,可更好地提取各模态之间的差异信息,实现适应范围更广的MRI肿瘤分割,并准确有效地分割脑肿瘤。; 关键词脑肿瘤医学图像分割多模态mri 差异信息提取多尺度采样 3D卷积神经网络; Keywords brain tumor medical image segmentation multi⁃mode mri difference information extraction multi⁃scale sampling 3D convolutional neural network; 分类号 TN911.73-34 [电子电信—通信与信息系统] TP399 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	多模态3D卷积神经网络脑部胶质瘤分割方法	谷宇吕晓琪李菁任国印喻大华赵瑛吴凉张文莉郝小静黄显武	《科学技术与工程》北大核心	2018	4	在线阅读下载PDF 职称材料
2	脑肿瘤三维可视化模型自动重建技术的开发及临床应用	刘培龙蒋理谢延风詹彦邓博徐伟竣石全红	《重庆医科大学学报》 CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
3	基于融合损失函数的3D U-Net++脑胶质瘤分割网络	张晓宇王彬安卫超阎婷相洁	《计算机科学》 CSCD 北大核心	2021	11	在线阅读下载PDF 职称材料
4	基于3D卷积神经网络的脑肿瘤医学图像分割优化	曹祺炜王峰牛锦	《现代电子技术》北大核心	2020	8	在线阅读下载PDF 职称材料