代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

新邀入驻腾讯云开发者社区，福利多多！

如何运用「云、端融合的数智化安全体系」高效护航数据安全

左手AI，右手安全 —— 一汽丰田数字化转型之路

在资源匮乏的环境中诊断胎儿生长受限具有挑战性。胎儿生长受限 (FGR) 影响高达 10% 的妊娠，是导致围产期发病率和死亡率的关键因素。FGR 与死产密切相关，还可能导致早产，给母亲带来风险。这种情况通常是由于各种母体、胎儿和胎盘因素阻碍胎儿遗传生长潜力所致。产前超声检查中胎儿腹围 (AC) 的测量是监测胎儿生长的一个关键方面。当小于预期时，这些测量值可以指示 FGR，这种情况与大约 60% 的胎儿死亡有关。FGR 诊断依赖于对胎儿腹围 (AC)、预期胎儿体重或两者的重复测量。这些测量必须至少进行两次，两次测量之间至少间隔两周，才能得出可靠的诊断。此外，AC 测量值低于第三个百分位数本身就足以诊断 FGR。然而，由于超声检查设备成本高昂且缺乏训练有素的超声检查人员，对 AC 测量至关重要的生物识别产科超声的常规实践在资源匮乏的环境中受到限制。

ACOUSLIC-AI2024——腹围超声自动测量验证集结果

在现代生物学研究领域，可视化和理解组织和生物体内复杂结构的能力至关重要。经过组织透明化和特定结构染色后的光片显微镜 (LSM) 提供了一种高效、高对比度和超高分辨率的方法，可用于可视化各种样本中的各种生物结构，例如细胞和亚细胞结构、细胞器和过程。在组织透明化步骤中，在保持样本完整性和标记结构荧光的同时，原本不透明的生物样本变得透明，从而使光线能够更深入地穿透组织。在结构染色步骤中，可以使用各种染料、荧光团或抗体来选择性地标记样本内的特定生物结构并增强其在显微镜下的对比度。通过与结构染色和组织透明化步骤相结合，LSM 为研究人员提供了前所未有的能力，能够以高空间分辨率可视化复杂的生物结构，为神经科学、免疫学、肿瘤学和心脏病学等各种生物医学研究领域提供新的见解。在不同的生物医学研究领域中，为了分析 LSM 图像，分割在识别和区分不同的生物结构方面起着关键且必不可少的作用。对于非常小规模的 LSM 图像，可以手动进行图像分割。然而，在整个器官或身体 LSM 情况下，手动分割非常耗时，单个图像可能有 10000^3 体素，因此对自动分割方法的需求很高。基于深度学习的分割方法的最新进展为 LSM 图像的自动分割提供了有希望的解决方案。虽然这些方法的分割性能与专家人类注释者相当，但它们的成功很大程度上依赖于从大量手动注释图像训练集中进行监督学习，这些图像特定于一种结构染色。然而，对各种 LSM 图像分割任务进行大规模注释提出了巨大的挑战。在这种情况下，自监督学习被证明是有利的，因为它允许深度学习模型在大规模、未注释的数据集上进行预训练，学习 LSM 图像数据的有用和通用表示。随后，该模型可以在较小的标记数据集上进行微调，以完成特定的分割任务。值得注意的是，尽管存在大量不同生物结构的 LSM 数据，但自监督学习尚未在 LSM 领域得到广泛探索。LSM 图像的一些特性（例如高信噪比）使数据特别适合自监督学习。   

SELMA3D2024——3D光片显微镜图像自监督分割

关于缺血性中风患者治疗的临床决策取决于对核心（不可逆受损组织）和半影（可挽救组织）体积的准确估计。估计灌注量的临床标准方法是反卷积分析，包括 i) 通过灌注 CT (CTP) 反卷积估计灌注图和 ii) 对灌注图进行阈值化。然而，不同的反卷积算法、其技术实现以及软件包中使用的可变阈值会显着影响估计的病变。此外，由于半暗组织的不可逆损伤，核心组织往往会随着时间的推移而扩张，梗塞的生长速度因患者而异，并取决于血栓位置和侧支循环等多种因素。了解核心的生长速度对于根据转运时间评估将患者转移到综合性卒中中心的相关性在临床上至关重要。此外，由于并非每次机械血栓切除术再灌注治疗都能实现完全再灌注，因此预测梗塞生长可能会为介入放射科医生提供有关额外再灌注尝试的潜在益处的见解。因此，预测急性成像数据的时间核心演变是临床决策的关键。

ISLES'2024——缺血性中风病变分割挑战赛

许多用于医学图像分析的基础模型，例如分段任意模型（SAM），已经发布并被证明在多种任务中是有用的。然而，它们对现实世界医学成像数据的有效性尚未得到探索。例如，针对变形较大的器官（即心脏和肝脏）的特定图像对分析提出了更大的挑战。

CARE2024——真实世界医学图像的综合分析与计算之MyoPS++

许多用于医学图像分析的基础模型，例如分段任意模型（SAM），已经发布并被证明在多种任务中是有用的。然而，它们对现实世界医学成像数据的有效性尚未得到探索。例如，针对变形较大的器官（即心脏和肝脏）的特定图像对分析提出了更大的挑战。首先，呼吸运动和心脏搏动引起的错位增加了对这些数据进行联合分析的复杂性。其次，现实世界医学图像的不均匀性带来了挑战，包括模态的多样性和来自不同中心的收集引起的分布变化。第三，对于这些基础模型来说，处理不规则的 ROI（例如病变或疤痕）可能更具挑战性，因为它们的尺寸可能非常小且形状不规则。因此，开发有效且高效的迁移学习方法来充分利用这些基础模型进行现实世界的医学图像分割具有重要价值。

CARE2024——真实世界医学图像的综合分析与计算之WHS++

CARE2024——真实世界医学图像的综合分析与计算之LAScarQS++

CARE2024——真实世界医学图像的综合分析与计算之LiQA

在各种挑战的推动下，数字病理学领域在肿瘤诊断和分割方面取得了重大进展。尽管取得了这些进步，但由于数字病理学图像和组织中固有的多样性，当前算法的有效性仍面临重大挑战。这些差异来自不同的器官、组织准备方法和图像采集过程，导致所谓的域转移。COSAS 的主要目标是制定策略，增强计算机辅助语义分割解决方案对域转移的弹性，确保不同器官和扫描仪的性能一致。这一挑战旨在推动人工智能和机器学习算法的发展，以供实验室常规诊断使用。值得注意的是，COSAS 标志着计算组织病理学领域的第一项挑战，它提供了一个平台，用于评估综合数据集上的域适应方法，该数据集包含来自不同制造商的不同器官和扫描仪。

COSAS2024——跨器官和跨扫描仪腺癌分割

肝脂肪变性或脂肪肝疾病是一种病理状况，其中肝内脂肪等于或大于肝脏重量的5%。这种情况会增加肝硬化、终末期肝功能衰竭和早期死亡的风险。目前，肝活检是肝脂肪变性的诊断标准，但由于侵入性和发病风险，这种工具受到限制。非侵入性技术被广泛用于解决这一局限性，例如超声 (US)、磁共振成像 (MRI) 和计算机断层扫描 (CT)。虽然 MRI 是一种非侵入性首选，但值得注意的是，平扫CT在测量肝脏脂肪方面具有线性等效性。因此，平扫 CT 已成为一种可行的替代方案，特别是用于检测中度至重度脂肪变性。在影像覆盖范围内，胸部 CT 因其广泛可用性和频繁使用而对评估肝脏脂肪具有重要价值。例如，在现有的肺癌筛查和 COVID-19 患者图像中，平扫胸部 CT 非常实用，尤其是在无法进行腹部 CT 检查的情况下。研究人员已经建立了各种指标来评估 CT 图像上的肝脏脂肪变性，包括肝脾衰减比、肝脾衰减差以及单独肝脏衰减的阈值。值得注意的是，肝脏衰减阈值 ≤ 40 亨斯菲尔德单位 (HU) 可以作为独立指标。放射科医生在圆形感兴趣区域 (ROI) 上测量肝脏衰减以表示整个肝脏的脂肪含量。然而，对于基于人群的研究来说，这种测量需要大量时间和专业知识，这对肝脏疾病的偶然评估和临床相互作用构成了挑战。考虑到脂肪肝的普遍性，数百万处于风险中的个体可能未被发现。因此，在大规模临床研究中，一种自动化工具成为识别这些潜在患者的迫切需要。 

MultiNationalCTLiver2024——多国胸部CT肝实质分割

头颅测量分析是正畸和正颌领域常用的一项基础检查。分析中的关键操作是从侧位头颅侧位片上标记颅面标志。这些标志是后续定性评估角度和距离的基准，可提供患者颅面状况的诊断信息并影响治疗计划决策。然而，可靠的标志注释通常需要经验丰富的医生，即使对于经验丰富的正畸医生来说，手动识别这些标志也是一个耗时且费力的过程。因此，全自动和准确的标志定位一直是一个存在已久且需求巨大的领域。

CL-Detection2024——x线图像中头颅侧位关键点检测

第三届 autoPET 挑战赛是在多示踪剂多中心环境中进一步完善正电子发射断层扫描/计算机断层扫描 (PET/CT) 扫描中肿瘤病变的自动分割。在过去的几十年里，PET/CT 已成为肿瘤诊断、管理和治疗计划的关键工具。在临床常规中，医学专家通常依赖 PET/CT 图像的定性分析，尽管定量分析可以实现更精确和个性化的肿瘤表征和治疗决策。临床采用的一个主要方法是病灶分割，这是定量图像分析的必要步骤。手动执行非常繁琐、耗时且成本高昂。机器学习提供了对 PET/CT 图像进行快速、全自动定量分析的潜力，正如之前在前两个 autoPET 挑战中所证明的那样。基于在这些挑战中获得的见解，autoPET III 扩大了范围，以满足模型在多个示踪剂和中心之间推广的关键需求。为此，提供了更多样化的 PET/CT 数据集，其中包含从两个不同临床站点获取的两种不同示踪剂的图像-前列腺特异性膜抗原 (PSMA) 和氟脱氧葡萄糖 (FDG)（如下图）。在本次挑战中，提供了两个奖项类别任务。在第一类奖项中，任务是开发适用于两种不同追踪器的强大分割算法。在第二类奖项中，讨论了数据质量和预处理对算法性能的重要性。在这里，鼓励参与者使用创新的数据管道增强基线模型，促进以数据为中心的自动化 PET/CT 病变分割方法的进步。加入 autoPET III，为 PET/CT 中基于深度学习的强大医学图像分析铺平道路，优化肿瘤学诊断和个性化治疗指导。   

AutoPET2024——多示踪剂多中心全身 PET/CT 中的自动病灶分割

今天将分享骨盆骨碎片与损伤分割挑战之X-Ray骨盆碎片分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

PENGWIN2024——骨盆骨碎片与损伤分割挑战之X-Ray骨盆碎片分割

今天将分享骨盆骨碎片与损伤分割挑战之CT骨盆碎片分割完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。


PENGWIN2024——骨盆骨碎片与损伤分割挑战之CT骨盆碎片分割

放射治疗 (RT) 是多种恶性肿瘤治疗的基石。放疗作为治疗方式的主要受益者是头颈癌 (HNC)。近年来，人们对 MRI 引导的 RT 计划越来越感兴趣。与更传统的基于 CT 的 RT 计划相反，MRI 引导的方法可提供卓越的软组织对比度和分辨率，允许通过特殊的多参数序列（例如扩散加权成像 [DWI]）进行功能成像，并允许通过内部进行日常自适应 RT -使用 MRI-Linac 设备进行治疗成像（PMID：28256898）。随后，通过 MRI 引导的适应性 RT 方法改进治疗计划将最大限度地破坏肿瘤，同时最大限度地减少副作用。鉴于 MRI 引导的自适应 RT 计划的巨大潜力，预计这些技术将改变 HNC 的临床实践范式 (PMID: 31632914)。MRI 引导的 HNC RT 计划的大量数据使得医生手动肿瘤分割（当前的临床标准）由于时间限制而常常不切实际 (PMID: 33763369)。更糟糕的是，HNC 肿瘤是临床医生分割最具挑战性的结构之一 (PMID: 27679540)。近年来，利用 RT 数据改善患者治疗的人工智能 (AI) 方法一直是研究界关注的一个特殊领域。特别是深度学习的使用在 HNC 肿瘤自动分割方面取得了重大进展（PMID：36725406）。这些创新很大程度上是由 MICCAI 公共数据挑战推动的，例如 HECKTOR 挑战 (PMID: 35016077) 和 SegRap 挑战 (doi: https://doi.org/10.48550/arXiv.2312.09576)。然而，迄今为止，尚不存在可供公开分发的大型公开可用的 AI 就绪自适应 RT HNC 数据集。按理说，社区驱动的人工智能创新将成为开发 MRI 引导放疗临床转化技术的宝贵财富。 

HNTSMRG2024——MR 引导应用的头颈肿瘤分割

主动脉是身体最大的动脉，将含氧血液从心脏输送到头部、颈部、上肢、腹部、骨盆和下肢。主动脉及其主要分支的病变，如夹层、动脉瘤和动脉粥样硬化疾病，可能对生命或肢体造成直接威胁，需要及时进行手术评估和治疗。医学成像和治疗的进步，包括计算机断层扫描血管造影 (CTA) 和血管内主动脉支架移植术，导致主动脉疾病治疗的范式转变。例如，腹主动脉瘤血管内修复术现在已成为 80% 以上患者的一线治疗方法。对于涉及分支血管的微创修复，对主动脉和分支血管解剖结构进行详细的 3D 分析至关重要。这包括测量主动脉以及各个主动脉分支和区域的体积和直径，以选择适当的设备，这可以通过 CTA 上主动脉的多级分割来实现。

AortaSeg2024——CTA主动脉相关区域子结构23类分割

心房颤动 (AF) 是最常见的心律失常形式，与大量的发病率和死亡率相关。由于缺乏对直接维持人类心房中房颤的潜在心房解剖结构的基本了解，目前房颤的临床治疗效果不佳。近年来，晚期钆增强磁共振成像（LGE-MRI）被广泛用于研究纤维化/疤痕，利用LGE-MRI对房颤患者进行的临床研究表明，心房纤维化的程度和分布可用于可靠地预测消融成功率。因此，直接分析AF患者的心房结构对于提高对AF的理解和针对患者的针对性治疗至关重要。

MBAS2024——多类别双心房分割挑战赛

糖尿病视网膜病变 (DR) 是糖尿病的一种常见且特有的并发症，是工作年龄人群可预防失明的主要原因之一。据估计，2020 年全球有 1.03 亿成年人患有 DR，预计 2030 年 DR 患者人数将增至 1.3 亿，2045 年将增至 1.61 亿。

UWF4DR2024——2024 年糖尿病视网膜病变超广角眼底成像挑战赛

自动评估关键安全视图 (CVS) 是外科数据科学中的一个重要问题，近年来引起了人们的关注。与迄今为止研究过的许多外科数据科学任务（例如相位识别、工具检测/分割）不同，CVS 评估尤其具有挑战性，因为它依赖于对细粒度解剖结构和概念的准确和精确识别。Endoscapes2024是一套带有注释的腹腔镜胆囊切除术视频数据集，专门用于解决自动 CVS 评估问题：即帧级 CVS 注释以及与 CVS 评估相关的关键解剖结构/区域的分割/边界框（例如肝囊三角、胆囊动脉/导管和胆囊板）。

Endoscapes2024——用于手术腹腔镜视频数据解剖和工具分割、检测和 CVS评估

今天将分享中重度创伤性脑损伤病变的自动识别完整实现版本，为了方便大家学习理解整个流程，将整个流程步骤进行了整理，并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。

Aims-Tbi2024——中重度创伤性脑损伤病变的自动识别

先天性疾病是全球婴儿死亡的主要原因之一。胎儿脑部宫内 MRI 已开始成为研究先天性疾病胎儿神经发育的宝贵工具。胎儿 MRI 有助于未来开发临床风险分层工具，用于早期干预、治疗和临床咨询。此外，胎儿 MRI 是描绘人类妊娠期间复杂神经发育事件的有力工具，这些事件仍有待完全表征。获取和分析胎儿脑部宫内 MRI 需要专业临床中心的合作，因为这些脆弱患者群体的图像队列很小且异质性（例如，不同站点之间的图像采集参数存在差异）。在大多数使用胎儿 MRI 的专业临床中心，评估仅使用从厚 2D 切片采集中获得的 2D 生物特征测量值进行，尽管最近的研究已经证明了在 3D 超分辨率重建体积中执行这些测量的能力。在 MRI 数据中，对出生前高度复杂且快速变化的大脑形态进行自动生物测量、分割和量化将改善诊断过程，因为手动注释既耗时又容易出现人为错误和评分者间差异。分析发育中的大脑结构的形状或体积等信息具有临床意义，因为许多先天性疾病会导致这些组织区室发生细微变化。现有的生长数据主要基于正常发育的大脑，缺乏许多病理和先天性疾病的生长数据。因此，跨不同扫描仪和图像采集协议自动量化发育中的人脑的稳健方法将是执行此类分析的第一步。从技术角度来看，胎儿大脑的自动分割方法需要克服许多挑战。在胎儿发育过程中，人脑的生理学会发生变化，同时其结构也会经历发育重组。此外，由于胎儿和母亲的运动以及成像伪影，图像质量通常较差 ，而部分容积效应经常导致组织之间边界模糊。最后，与健康对照组相比，异常胎儿大脑的结构通常具有不同的形态。这使得自动方法很难识别这些结构。到目前为止，由于成像方面的挑战以及缺乏公开、精选和带注释的真实数据，胎儿 MRI 领域的研究不足。为了增加样本量，使这些研究具有足够的功效，需要协调场地和 MRI 扫描仪，并结合自动化和强大的 MRI 分析方法。   

FeTA2024——胎儿组织分割和生物测量

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

腾讯云开发者社区推出了最新医学影像技术专栏，为你提供了最新医学影像技术的相关文章，致力于帮助开发者快速成长与发展。

最新医学影像技术

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐