Apr, 2016

基于卷积神经网络和 Radon 变换的快速医学图像检索生成二进制标签

PDF
TL;DR本研究提出了一种采用卷积神经网络和 Radon 条形码的医学图像检索方法，结果表明其在医疗图像中检索方面的表现优于其他已发表的方法。
content-based image retrievalmedical image archivesconvolutional neural networkradon barcodesimage search
发现论文，激发创造
  • 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

  • 医学图像检索的条形码标注：初步研究

    该研究旨在提出生成和使用条形码来注释医学图像及其感兴趣的区域，以加强现有基于特征的分类模式的图像检索方法的准确性，使用 Radon 条形码和 IRMA X-ray 数据集验证了它的有效性。

    May, 2015

  • 多类体积放射学影像的基于内容的图像检索：基准研究

    我们在医学图像检索的上下文中，通过使用 TotalSegmentator 数据集建立了一个基准，以评估和比较预训练模型的嵌入效果，并采用文本匹配启发的后期交互再排序方法，实现了对各种解剖区域的 1.0 检索召回率。

    May, 2024

  • 基于基础模型的放射学内容医学图像检索应用

    通过基于内容的图像检索（CBIR）系统中使用视觉基础模型作为功能强大且多用途的成品特征提取器，我们在包含 160 种病理学的 4 种模式的 160 万个二维放射学图像的综合数据集上进行基准测试，从而确定弱监督模型在性能上超越专门化模型，达到了 0.594 的 P@1，而且无需精调。研究还探讨了在获取病理学和解剖结构方面的挑战，表明准确获取病理学特征更加困难。尽管存在这些挑战，我们的研究强调了基础模型在放射学的 CBIR 中的巨大潜力，提出了向不需要特定调整的多用途医学图像检索系统的转变。

    Mar, 2024

  • BIMCV-R: 一份用于 3D CT 文本图像检索的地标数据集

    为减轻医务人员的工作负担并协助诊断过程，我们开发了一个强大的系统，用于检索相似的病例研究。我们提出了一个创新的数据集 BIMCV-R，包含了 8,069 个 3D CT 卷积以及相应的放射学报告，旨在解决当前 3D 医学文本图像检索领域的缺乏可靠评估基准和精心策划的数据集的问题。此外，我们采用了双流网络架构的检索策略 MedFinder，利用大型语言模型的潜能推动医学图像检索领域的发展，这标志着我们朝着开发能够实现文本到图像、图像到文本和关键词检索任务的系统迈出了初步的一步。

    Mar, 2024

  • 基于深度学习的 Radon 反演

    本文提出了一种基于深度学习的逆 Radon 变换方法，可完成端到端的扫描成像重建，其网络结构包含一个可学习的全连接滤波层和一个可学习的正弦反投影层，通过 ImageNet 数据库的训练获得了较好的病患数据的重建结果。

    Aug, 2018

  • 深度卷积网络在文件图像分类和检索中的评估

    本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术，证实与手工制作的替代方法相比，能够更好地学习抽象特征，且具有压缩鲁棒性和跨领域迁移性，并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。

    Feb, 2015

  • 使用卷积神经网络对磁共振图像模态进行分类

    提出一种基于三维卷积神经网络的磁共振图像对比度分类方法，在多个任务中验证其准确性可达 97.57%。

    Apr, 2018

  • 全球联合内容检索医学影像库检索

    该论文提出了一种利用联邦学习解决获取多样化医学数据集的挑战的联邦基于内容的医学图像检索平台（FedCBMIR），可加速乳腺癌诊断，并在 BreaKHis 和 Camelyon17（CAM17）进行了两个实验的评估，证明其快速准确，可在全球范围内帮助乳腺癌诊断。

    May, 2023

  • 使用远程 2D 上下文的 3D 卷积神经网络进行肿瘤分割

    提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

    Jul, 2018