脑肿瘤分割与合成的集成方法
图像与视频处理
2024-11-27 v1 计算机视觉与模式识别
摘要
机器学习在磁共振成像 (MRI)，特别是神经影像学中的集成，正证明其极其有效，导致诊断准确性提高、图像分析加速以及数据驱动的洞察，这些都可能从根本上改变患者护理。深度学习模型利用多个处理层来捕捉复杂数据的细微细节，然后可用于各种任务，包括脑肿瘤分类、分割、图像合成和配准。以往的研究在使用各种模型架构（包括 nn-UNet 和 Swin-UNet）进行肿瘤分割方面显示出高准确率。U-Mamba 采用状态空间建模，也在医学图像分割中取得高准确率。为充分利用这些模型，我们提出了一个集成这些前沿架构的深度学习框架，以实现准确的分割和精细的合成图像。
引用
@article{arxiv.2411.17617,
title = {An Ensemble Approach for Brain Tumor Segmentation and Synthesis},
author = {Juampablo E. Heras Rivera and Agamdeep S. Chopra and Tianyi Ren and Hitender Oswal and Yutong Pan and Zineb Sordo and Sophie Walters and William Henry and Hooman Mohammadi and Riley Olson and Fargol Rezayaraghi and Tyson Lam and Akshay Jaikanth and Pavan Kancharla and Jacob Ruzevick and Daniela Ushizima and Mehmet Kurt},
journal= {arXiv preprint arXiv:2411.17617},
year = {2024}
}