期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于病理穿刺切片组织形态学分析的乳腺癌新辅助化疗疗效预测 被引量：8
1
作者 徐春燕 谢嘉伟 +3 位作者 杨春霞 蒋燕妮 张智弘 徐军 《四川大学学报（医学版）》 CAS CSCD 北大核心 2021年第2期279-285,共7页
目的利用深度学习的方法对乳腺癌患者接受新辅助化疗(NAC)前的穿刺切片进行肿瘤区域和细胞核的自动分割,提取肿瘤区域细胞群特征,从而对乳腺癌NAC病理缓解程度进行预测。方法收集在江苏省人民医院接受NAC治疗前的68位乳腺癌患者的术前穿... 目的利用深度学习的方法对乳腺癌患者接受新辅助化疗(NAC)前的穿刺切片进行肿瘤区域和细胞核的自动分割,提取肿瘤区域细胞群特征,从而对乳腺癌NAC病理缓解程度进行预测。方法收集在江苏省人民医院接受NAC治疗前的68位乳腺癌患者的术前穿刺HE染色切片,两位病理医生对其中12张穿刺切片进行了肿瘤区域的标记,其中8张作为训练集,4张作为测试集,剩余的56张由训练好的肿瘤区分割模型进行肿瘤分割。运用UNet++建立分割模型,分别对乳腺癌病理穿刺切片肿瘤区域和细胞核进行自动分割;然后,根据自动分割的肿瘤区域内细胞核,构建肿瘤内细胞层次的特征;最后运用特征选择方法选择有效的特征,通过五折交叉验证训练分类器模型预测NAC的病理缓解程度的高低。结果基于68位患者的病理穿刺切片进行预测,最大相关最小冗余(m RMR)的特征选择方法筛选出的10个维度特征和随机森林(RF)分类器结合训练的模型预测结果的准确率最高,准确率达到82.35%,曲线下面积(AUC)值达到0.9082。结论本模型能够在切片病理图像上自动分割肿瘤区域和细胞核,构建的肿瘤区域细胞核群的特征能够预测患者对NAC的病理缓解程度,方法可靠且可重复性较高,同时发现肿瘤区域细胞核纹理特征在预测中效果较好,进一步证实了肿瘤区域细胞核群对疗效预测具有重要意义。 展开更多
关键词 病理穿刺切片 乳腺癌新辅助化疗 病理完全缓解 unet++网络 机器学习
原文传递
基于Transformer的U型医学图像分割网络综述 被引量：5
2
作者 傅励瑶 尹梦晓 杨锋 《计算机应用》 CSCD 北大核心 2023年第5期1584-1595,共12页
目前,医学图像分割模型广泛采用基于全卷积网络(FCN)的U型网络(U-Net)作为骨干网,但卷积神经网络(CNN)在捕捉长距离依赖能力上的劣势限制了分割模型性能的进一步提升。针对上述问题,研究者们将Transformer应用到医学图像分割模型中以弥... 目前,医学图像分割模型广泛采用基于全卷积网络(FCN)的U型网络(U-Net)作为骨干网,但卷积神经网络(CNN)在捕捉长距离依赖能力上的劣势限制了分割模型性能的进一步提升。针对上述问题,研究者们将Transformer应用到医学图像分割模型中以弥补CNN的不足,结合Transformer和U型结构的分割网络成为研究热点之一。在详细介绍U-Net和Transformer之后,按医学图像分割模型中Transformer模块所处的位置,包括仅在编码器或解码器、同时在编码器和解码器、作为过渡连接和其他位置进行分类,讨论各模型的基本内容、设计理念以及可改进的地方,并分析了Transformer处于不同位置的优缺点。根据分析结果可知,决定Transformer所在位置的最大因素是目标分割任务的特点,而且Transformer结合U-Net的分割模型能更好地利用CNN和Transformer各自的优势,提高模型的分割性能,具有较大的发展前景和研究价值。 展开更多
关键词 深度学习 卷积神经网络 医学图像分割 U型网络 TRANSFORMER
下载PDF
改进Unet++在脑肿瘤图像分割的研究 被引量：9
3
作者 侯奕辰 彭辉 +1 位作者 谢俊章 曾庆喜 《计算机工程与设计》 北大核心 2022年第6期1725-1731,共7页
针对计算机辅助脑肿瘤图像分割精度不高,提出改进的密集连接网络Unet++脑肿瘤自动分割网络。分别将残差块和数据相关型上采样Dupsampling融入网络的编码、解码部分,提高特征提取的能力并防止梯度消失;使用Mish激活函数代替Relu激活函数... 针对计算机辅助脑肿瘤图像分割精度不高,提出改进的密集连接网络Unet++脑肿瘤自动分割网络。分别将残差块和数据相关型上采样Dupsampling融入网络的编码、解码部分,提高特征提取的能力并防止梯度消失;使用Mish激活函数代替Relu激活函数,更平滑的曲线有助于提升网络的非线性特征提取能力和泛化性;使用交叉熵和Dice结合的损失函数,进一步提升分割精度。该方法在BraTs2019部分数据上验证,在全肿瘤、核心肿瘤和增强肿瘤分割结果的Dice系数分别达到0.9236、0.8745、0.8404,豪斯多夫距离为1.806、2.994、1.865,优于大多数脑肿瘤分割模型。 展开更多
关键词 脑肿瘤分割 密集连接网络unet++ 残差块 数据相关型上采样Dupsampling Mish激活函数
下载PDF
基于多尺度特征感知的胸腔图像危及器官分割 被引量：4
4
作者 邓仕俊 汤红忠 +2 位作者 曾黎 曾淑英 张东波 《中国生物医学工程学报》 CAS CSCD 北大核心 2021年第6期701-711,共11页
医学图像危及器官自动分割是计算机辅助诊断中的重要组成部分,对辅助医生高质高效完成放射治疗有着极其重要的作用。胸腔CT图像对比度低,且各器官之间重叠交错、边界模糊,使得危及器官的精确分割具有较大的挑战性。提出一种多尺度特征... 医学图像危及器官自动分割是计算机辅助诊断中的重要组成部分,对辅助医生高质高效完成放射治疗有着极其重要的作用。胸腔CT图像对比度低,且各器官之间重叠交错、边界模糊,使得危及器官的精确分割具有较大的挑战性。提出一种多尺度特征感知的编码-解码网络模型(FA-Unet),实现胸腔CT图像危及器官的分割。针对胸腔中四类器官大小差异的问题,首先构建了输入感知模型,提取图像中各器官的多尺度特征。为了弥补编码与解码之间的语义鸿沟,在解码-编码中融入改进的inception模块。用空间金字塔卷积(ESP)与金字塔池化(PSP)模块代替传统的串行卷积运算,使得网络模型更为轻量化,在一定程度上缓解数据量不足带来的过拟合问题。采用一种联合Dice系数与交叉熵的损失函数训练分割网络,可解决胸腔CT图像中类别不平衡的问题。最后,在2019年ISBI发布的Seg THOR数据集上验证模型的有效性,该数据集共包括40例肺癌或霍奇金淋巴瘤患者的胸腔CT图像7 390张。实验结果表明,胸腔CT图像各器官分割的Dice系数分别为食道0.793 2、心脏0.935 9、气管0.854 9、主动脉0.889 0,Hausdorff距离分别为食道1.420 7、心脏0.212 4、气管0.627 3、主动脉0.887 0。结果表明,与同类型分割网络相比,模型可获得较好的分割性能,尤其在小目标器官的分割上取得竞争性优势。 展开更多
关键词 胸腔CT图像 危及器官分割 多尺度特征感知 FA-unet
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部