预训练神经网络能否检测解剖学?
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
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
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
研究医学图像分析的最新技术,特别是使用机器学习中的深度卷积网络实现医学图像分析,深度卷积网络被广泛应用于医学图像分割、异常检测和疾病分类等应用领域。
Sep, 2017
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。
Nov, 2015
针对乳腺癌的计算机辅助检测方法,通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类,实现对钙化和肿块的分类和定位,以降低放射科医师的成本和工作量。
Mar, 2018
本研究系统研究了将在 ImageNet 数据上训练的卷积神经网络 (CNN) 在超声图像肾脏检测问题上进行转移学习的过程,并表明通过转移学习可以获得更好的性能。
Apr, 2017
应用迁移学习技术,通过纹理数据库来改进深度卷积神经网络的训练方法,并将不同卷积神经网络中的知识结合,进而实现肺组织病变的分类,该方法的成功应用表明了在医学图像分析领域中,训练神经网络的方法同样重要于设计它的架构。
Dec, 2016
提出了一种新的训练策略,通过学习有关器官形状和位置的先验知识,将其应用于 CNN 中,以改善图像分析方法的性能,改进了 CNN 的分割效果,成功将其应用于心脏数据集并探讨了其在分类心脏病理学方面的应用。
May, 2017
通过选用 AlexNet 和 InceptionV3 模型进行优化分类,结合医学图像特征,学习更深层次、更复杂结构的前向神经网络,再利用知识提取技术将结果数据提取到 AlexNet 模型中,从而提高计算效率和降低计算成本,使得训练后的 AlexNet 模型的预测准确率、特异度和敏感度分别提高了 4.25 个百分点、7.85 个百分点和 2.32 个百分点,并相较于 InceptionV3 模型,图形处理的使用率减少了 51%。
Jun, 2024