使用深度卷积神经网络进行医学图像检索
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。
Apr, 2016
使用深度 Siamese 卷积神经网络 (SCNN),基于二值图像对信息,可以学习到更少监督的图像表示,并在医疗图像检索任务上取得了可比单一监督学习 CNN 的表现。
Nov, 2017
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
通过创新的多模态深度学习模型,本文旨在深度整合医学图像和临床报告等异构信息。使用卷积神经网络提取高维特征,捕捉关键视觉信息;利用双向长短时记忆网络结合注意机制,在临床报告文本中进行深度语义理解,准确捕捉与疾病相关的关键陈述。通过设计的多模态融合层,有效实现图像和文本的联合表征学习。实证研究中,利用大型医学图像数据库和相应的临床报告进行模型训练和验证,实验结果明显展示了多模态深度学习模型在疾病分类、损伤定位和临床描述生成方面的显著优越性。
May, 2024
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
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
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
通过使用三维卷积神经网络结构以及针对标注数据稀少、标注实例失衡和三维医学图像处理困难等问题进行改进与优化,本论文应用于医学图像分割领域,实现了在手部和脑部 MRI 图像上的分割与验证。
Jan, 2017
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
本文提出了一种新颖的框架用于图像检索,通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题,并采用最新的嵌入和聚合方法进一步提高特征可区分性,从而达到了最先进的检索准确度。
Jul, 2017