存在严重病变时在CT中自动进行肺分割
该软件包提供了用于肺分割的训练有素的U-net模型。 目前，有四个模型可用：
U-net（R231）：该模型在覆盖范围广泛的视觉变异性的庞大而多样的数据集上进行了训练。 该模型对单个切片进行分割，分别提取左，右肺，气袋，肿瘤和积液。 气管将不包括在肺分割中。
U-net（LTRCLobes）：该模型是在数据集的子集上训练的。 该模型对单个肺叶进行分割，但是当存在密集的病理或每个切片都不可见裂痕时，其性能有限。
U-net（LTRCLobes_R231）：这将运行R231和LTRCLobes模型并融合结果。 来自LTRCLobe的假阴性将由R231预测填充，并映射到邻居标签。 LTRCLobe的误报将被删除。 融合过程的计算量很大，视数据和结果而定，每卷可能要花费几分钟。
两种模型的应用实例。 左： U-net（R231），将区分左肺和右肺，并包括非常密集的区域，例如积液（第三排），肿瘤或严重纤维化（第四排）。 右： U-net（LTRLobes）将区分肺叶，但不包括非常密集的区域。 LTRCLobes_R231将融合LTRCLobe和R2
2022-04-29 11:00:36
947KB
1
为内窥镜伪影检测和分割 (EAD2020) 挑战提出的框架的实施 - 检测任务
挑战： :
我们的方法在人工制品检测任务中排名。
首先，最好阅读论文以了解一般框架：
可以在获取已安装 PyTorch 和 Detectron2 环境的 Docker 映像
本工作中使用的对象检测模型（Faster RCNN、Cascade RCNN 和 RetinaNet）基于构建
Ensemble and Test Time Augmentation改编自
对于引用，请使用以下 BibTeX 条目
@inproceedings { polat2020endoscopic ,
title = { Endoscopic Artefact Detection with Ensemble of Deep Neural Networks and False Positive Elimination.
2021-11-12 10:05:01
2.51MB
1
Applied Medical Image Processing, Second Edition: A Basic Course.
by Wolfgang Birkfellner.
CRC Press; 2 edition (March 6, 2014)
2021-09-10 01:44:37
9.28MB
1