BraTS 2021
PulseAugur coverage of BraTS 2021 — every cluster mentioning BraTS 2021 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
胶质母细胞瘤数据集 CFB-GBM v2.0 增强了完整的 GTV 分割
研究人员发布了 CFB-GBM v2.0，这是一个用于胶质母细胞瘤研究的扩展数据集，现已包含 264 名患者的完整肿瘤体积 (GTV) 描绘。该数据集可在 The Cancer Imaging Archive 上获取，使用 nnU-Net 模型进行分割，并提供衍生的 volumetric RANO 2.0 反应标签。此外，它还包括预先计算的大脑掩码和影像组学特征，以促进可复现的计算方法，用于治疗反应预测和疾病进展建模。
-
BMDS-Net 通过自适应融合和贝叶斯校准改进脑肿瘤分割
研究人员开发了 BMDS-Net，一个新颖的两阶段框架，用于使用 MRI 数据进行多模态脑肿瘤分割。该系统结合了自适应模态融合和边界感知正则化，以提高准确性，尤其是在某些 MRI 序列缺失时。此外，它采用贝叶斯校准来提供可靠的不确定性估计，以显著降低的训练成本实现了与大型集成模型相当的性能。
-
新框架统一了用于医学图像分割的主动学习和半监督学习
研究人员开发了RegAL，一个统一了用于医学图像分割的主动学习和半监督学习的新框架。该方法通过同时选择信息量大的病例进行标注并利用未标记数据，解决了实际医疗环境中标记数据有限的挑战。RegAL采用共享的拓扑感知帕累托优化，并根据不确定性、特征多样性和拓扑一致性评估图像，以提高分割精度。
-
新型视觉Transformer可合成对比增强脑部MRI
研究人员开发了AA-ViT，这是一种具有解剖结构感知能力的视觉Transformer，旨在从对比增强前图像合成对比增强脑部MRI扫描。该方法旨在通过克服标准MRI的局限性和造影剂的相关风险来改善肿瘤定位和诊断。AA-ViT利用结构和频率引导来保留解剖边界和病灶细节，在PSNR和SSIM等定量指标上优于现有方法。医疗专业人员进行的初步临床验证显示出有希望的结果，表明其在降低医疗成本和患者风险方面具有潜在应用。
-
新型RF-HiT模型提供高效的医学图像分割
研究人员开发了RF-HiT，一种新颖的Rectified Flow Hierarchical Transformer，旨在实现高效准确的医学图像分割。该模型通过采用分层编码器和修正流，解决了现有Transformer和基于扩散的方法的计算复杂性和延迟问题，实现了线性复杂度和仅需三个步骤的快速推理。尽管效率很高，RF-HiT在ACDC和BraTS 2021等数据集上仍取得了有竞争力的性能，展示了计算成本和分割准确性之间的良好权衡。
-
新型扩散模型可高效合成用于医学成像的MRI序列
研究人员开发了Prob-BBDM，这是一种用于从2D轴向切片合成MRI序列的新型扩散模型。该模型旨在减少在临床环境中获取多种成像模态所需的资源强度和时间。在BraTS 2021数据集上进行评估，Prob-BBDM在图像翻译任务中表现出色，取得了较高的SSIM和PSNR分数。该模型的高效性体现在其仅需4步即可完成扩散过程，并且通过在肿瘤分割中的成功应用，证实了其临床实用性。
-
新的SEMIR框架改进了小结构图像分割
研究人员开发了SEMIR，一种新颖的表示框架，旨在改进大规模图像中小而稀疏结构的分割。该方法通过学习任务适应的、拓扑保持的潜在图表示，将推理与原生图像网格解耦。SEMIR将网格图转换为紧凑的图微元，通过图神经网络实现高效的区域级推理，并在肿瘤数据集上持续改进少数结构分割。