Buchumschlag

Instance-level quantitative saliency in multiple sclerosis lesion segmentation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Spagnolo, Federico, Molchanova, Nataliia, Cuadra, Meritxell Bach, Pineda, Mario Ocampo, Melie-Garcia, Lester, Granziera, Cristina, Andrearczyk, Vincent, Depeursinge, Adrien
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Image and Video Processing Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Exploiting XAI maps to improve MS lesion segmentation and detection in MRI
von: Spagnolo, Federico, et al.
Veröffentlicht: (2024)

Interpretability of Uncertainty: Exploring Cortical Lesion Segmentation in Multiple Sclerosis
von: Molchanova, Nataliia, et al.
Veröffentlicht: (2024)

ConfLUNet: Multiple sclerosis lesion instance segmentation in presence of confluent lesions
von: Wynen, Maxence, et al.
Veröffentlicht: (2025)

Causal Attribution of Model Performance Gaps in Medical Imaging Under Distribution Shifts
von: Gordaliza, Pedro M., et al.
Veröffentlicht: (2025)

Explaining Uncertainty in Multiple Sclerosis Cortical Lesion Segmentation Beyond Prediction Errors
von: Molchanova, Nataliia, et al.
Veröffentlicht: (2025)

Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis
von: Molchanova, Nataliia, et al.
Veröffentlicht: (2025)

Domain generalization in fetal brain MRI segmentation \\with multi-reconstruction augmentation
von: de Dumast, Priscille, et al.
Veröffentlicht: (2022)

EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation
von: Abutalip, Kudaibergen, et al.
Veröffentlicht: (2024)

Boosting multiple sclerosis lesion segmentation through attention mechanism
von: Rondinella, Alessia, et al.
Veröffentlicht: (2023)

Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation
von: Molchanova, Nataliia, et al.
Veröffentlicht: (2023)

Accounting for Underspecification in Statistical Claims of Model Superiority
von: Sanchez, Thomas, et al.
Veröffentlicht: (2025)

Segmenting infant brains across magnetic fields: Domain randomization and annotation curation in ultra-low field MRI
von: Zalevskyi, Vladyslav, et al.
Veröffentlicht: (2025)

Synthetic magnetic resonance images for domain adaptation: Application to fetal brain tissue segmentation
von: de Dumast, Priscille, et al.
Veröffentlicht: (2021)

QSM-RimDS: A detection and segmentation tool for paramagnetic rim lesions in multiple sclerosis
von: Luu, Ha, et al.
Veröffentlicht: (2024)

Learning from spatially inhomogenous data: resolution-adaptive convolutions for multiple sclerosis lesion segmentation
von: Diaz, Ivan, et al.
Veröffentlicht: (2025)

Standardised convolutional filtering for radiomics
von: Depeursinge, Adrien, et al.
Veröffentlicht: (2020)

Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data
von: Zalevskyi, Vladyslav, et al.
Veröffentlicht: (2024)

Segmentation of the cortical plate in fetal brain MRI with a topological loss
von: de Dumast, Priscille, et al.
Veröffentlicht: (2020)

Denoising Diffusion Models for 3D Healthy Brain Tissue Inpainting
von: Durrer, Alicia, et al.
Veröffentlicht: (2024)

Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg
von: Shang, Ziyao, et al.
Veröffentlicht: (2025)

Fast refacing of MR images with a generative neural network lowers re-identification risk and preserves volumetric consistency
von: Molchanova, Nataliia, et al.
Veröffentlicht: (2023)

Cross-Age and Cross-Site Domain Shift Impacts on Deep Learning-Based White Matter Fiber Estimation in Newborn and Baby Brains
von: Lin, Rizhong, et al.
Veröffentlicht: (2023)

FetMRQC: a robust quality control system for multi-centric fetal brain MRI
von: Sanchez, Thomas, et al.
Veröffentlicht: (2023)

Fetpype: An Open-Source Pipeline for Reproducible Fetal Brain MRI Analysis
von: Sanchez, Thomas, et al.
Veröffentlicht: (2025)

Automatic quality control in multi-centric fetal brain MRI super-resolution reconstruction
von: Sanchez, Thomas, et al.
Veröffentlicht: (2025)

From 100,000+ images to winning the first brain MRI foundation model challenges: Sharing lessons and models
von: Gordaliza, Pedro M., et al.
Veröffentlicht: (2026)

Ground-truth effects in learning-based fiber orientation distribution estimation in neonatal brains
von: Lin, Rizhong, et al.
Veröffentlicht: (2024)

Towards contrast-agnostic soft segmentation of the spinal cord
von: Bédard, Sandrine, et al.
Veröffentlicht: (2023)

An event-based implementation of saliency-based visual attention for rapid scene analysis
von: Chane, Camille Simon, et al.
Veröffentlicht: (2024)

autoPET IV challenge: Incorporating organ supervision and human guidance for lesion segmentation in PET/CT
von: Huang, Junwei, et al.
Veröffentlicht: (2025)

DRIFTS: Optimizing Domain Randomization with Synthetic Data and Weight Interpolation for Fetal Brain Tissue Segmentation
von: Zalevskyi, Vladyslav, et al.
Veröffentlicht: (2024)

Meta-learning Slice-to-Volume Reconstruction in Fetal Brain MRI using Implicit Neural Representations
von: Dannecker, Maik, et al.
Veröffentlicht: (2025)

Learning to segment anatomy and lesions from disparately labeled sources in brain MRI
von: Himmetoglu, Meva, et al.
Veröffentlicht: (2025)

SLP-Net:An efficient lightweight network for segmentation of skin lesions
von: Yang, Bo, et al.
Veröffentlicht: (2023)

Generalizable automated ischaemic stroke lesion segmentation with vision transformers
von: Foulon, Chris, et al.
Veröffentlicht: (2025)

Assessing workflow impact and clinical utility of AI-assisted brain aneurysm detection: a multi-reader study
von: Di Noto, Tommaso, et al.
Veröffentlicht: (2025)

OmniMamba4D: Spatio-temporal Mamba for longitudinal CT lesion segmentation
von: Kim, Justin Namuk, et al.
Veröffentlicht: (2025)

4D iterative reconstruction of brain fMRI in the moving fetus
von: Taymourtash, Athena, et al.
Veröffentlicht: (2021)

Nondestructive, quantitative viability analysis of 3D tissue cultures using machine learning image segmentation
von: Trettner, Kylie J., et al.
Veröffentlicht: (2023)

Autopet III challenge: Incorporating anatomical knowledge into nnUNet for lesion segmentation in PET/CT
von: Kalisch, Hamza, et al.
Veröffentlicht: (2024)