Nov, 2015

训练医学影像深度学习系统所需数据量达到高准确度需要多少？

PDF
TL;DR本文旨在研究最佳培训数据集的大小，以实现医学图像分类系统中高分类精度和低方差。 通过使用学习曲线方法来预测在给定的培训样本大小下的分类精度，我们提出了确定达到特定目标分类精度所需培训数据集大小的通用方法，可轻松应用于此类系统中的其他问题。
发现论文，激发创造
  • 基于深度卷积神经网络的医疗图像的解剖分类

    本研究提供了一种使用卷积神经网络（ConvNets）进行 CT 医学图像的器官或身体部位特异性解剖分类的方法，并演示了深度学习可用于训练非常可靠和准确的分类器，可进一步初始化计算机辅助诊断。

    Apr, 2015

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 卷积神经网络在肺部结节分类中输入大小的影响

    使用卷积神经网络分析低剂量 CT 肺癌筛查图像以减少错误结果，并在 LUNA16 挑战数据集上表现出 82.1% 的敏感性。

    Jul, 2021

  • 预训练神经网络能否检测解剖学？

    通过预训练和数据增广，使用卷积神经网络进行医学影像诊断，开发出一种检测人体解剖结构的系统。

    Dec, 2015

  • 多视角深度卷积神经网络实现高分辨率乳腺癌筛查

    本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺 X 线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

    Mar, 2017

  • 多模态医学图像的多任务深度学习分割

    本文研究使用单个卷积神经网络对不同成像模式下的医学图像进行分割的方法，实验结果表明这种方法在不同任务中具有相当的分割性能，证明了卷积神经网络结构的高容量性。因此，可以在医学实践中使用单个系统进行自动分割任务，而无需进行任务特定的训练。

    Apr, 2017

  • 使用深度卷积神经网络进行医学图像检索

    提出了一种利用深度卷积神经网络的 CBMIR 系统，该系统在医疗图像分类任务中取得了平均 99.77％的分类准确度和 0.69 的平均平均精度，是用于检索多模态医学图像的最佳方法。

    Mar, 2017

  • 医学影像的 3D 深度学习综述

    本文回顾了 3D CNN 在医学图像分析中的应用历史及数学描述，并总结了不同领域中 3D CNN 的研究成果，如分类、分割、检测和定位，同时讨论了医学成像领域（以及深度学习模型的使用）中面临的挑战和未来趋势。

    Apr, 2020

  • 培训数据集大小和集成推论策略对头颈自动分割的影响

    研究了用不同大小的数据集（25-1000 个扫描）训练三维卷积神经网络以在放射治疗中自动分割头颈部器官的精度和鲁棒性，同时还评估了多种集成技术来改善这些模型的性能，结果表明集成技术对于较小的数据集的影响最为明显，并具有使用困难训练集的潜力。

    Mar, 2023

  • 卷积神经网络用于医学图像分析：完全训练还是微调？

    本研究旨在解答在医学图像分析的背景下，如何才能让使用具有足够精细调整过的预训练深度 CNN 能够消除从头开始使用 CNN 进行训练的需求这一核心问题。在考虑了医学成像应用中的分类，检测和分割等方面时，我们的实验结果一致表明：1）使用经过足够精细调整的预训练 CNN 显著优于或者和从头开始训练的 CNN 一样好；2）相比于从头开始训练的 CNN，精细调整的 CNN 更加稳健；3）浅调整和深度调整都不是特定应用的最佳选择；4）我们的逐层精细调整方案可以根据可用数据量为手头的应用程序提供达到最佳性能的实用方法。

    Jun, 2017