Stack_Alan的博客

基于空间注意力的多尺度深度神经网络集成的鼻咽癌肿瘤靶区自动分割Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer using Ensemble of Multiscale Deep Neural Networks with Spatial Attention1. 介绍目的：在各向异性分辨率的CT图像中自动分割鼻咽癌的肿瘤靶区(Gross Target Volume,GTV)，同时我们估计分割结果的不确定性难点：靶区小

基于空间注意力的多尺度深度神经网络集成的鼻咽癌肿瘤靶区自动分割Automatic Segmentation of Gross Target Volume of Nasopharynx Cancer using Ensemble of Multiscale Deep Neural Networks with Spatial Attention1. 介绍目的：在各向异性分辨率的CT图像中自动分割鼻咽癌的肿瘤靶区(Gross Target Volume,GTV)，同时我们估计分割结果的不确定性难点：靶区小

基于硬区域加权损失的可分卷积神经网络的头颈CT高危器官自动分割Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using Separable Convolutional Neural Network with Hard-Region-Weighted Loss摘要目的：从不确定的头颈部HAN CT图像中准确地分割危险器官(OAR)难点：CT中软组织对比度低，OAR尺寸高度不平衡，较大的切片间距。大型和小型OAR的尺寸严重

PET分割大块肿瘤:改善观察者间变异性的策略和工作流程目的：基于PET的肿瘤分割。减少分割中用户交互的数量可能有助于促进分割任务，特别是在标记庞大和复杂的肿瘤时。因此，本研究报告了分割工作流/策略，可以减少具有复杂形状的大型肿瘤在用户交互水平不同的观察者之间的差异。方法：使用四种策略分别描绘了二十个大块肿瘤PET图像的轮廓人工分割基于阈值的交互式基于阈值的交互式分割以及PET梯度图像的附加表示选择最佳方法（从四种已建立的半自动分割算法中选择最合理的结果）使用Jaccard系数（JC

基于深度可分卷积和长程依赖关系的脑卒中病灶分割深度可分离网络DSC原文参考：https://zhuanlan.zhihu.com/p/92134485​ 设输入为5×5×3，每个filter包括3×3的kernel逐通道卷积Depthwise Convolution一个卷积核负责一个通道，一个通道只被一个卷积核卷积。是二维操作。输入通道数，卷积核个数，feature maps数量相同参数个数为 N_depthwise=3 × 3 × 3 = 27没有有效的利用不同通道在相同空间位置上

A NEW THREE-STAGE CURRICULUM LEARNING APPROACH TO DEEP NETWORK BASED LIVER TUMOR SEGMENTATION基于深层网络的肝肿瘤分割的三阶段课程式学习新方法论文：https://arxiv.org/abs/1910.07895预处理步骤源代码：https://github.com/Huiyu-Li/Preprocess-ofCT-data。摘要医学图像中肝脏肿瘤的自动分割是计算机辅助诊断和治疗的关键。这是一项具有挑战性的