May, 2018

简化即是美：针对腹部超声图像的同时视图分类与标志点检测

HTML
PDF
TL;DR通过使用多任务学习和卷积神经网络，提出了一种自动分类和检测腹部器官的方法，实验结果表明，该方法能够在单个网络中完成所有任务，提高特征提取的效率以及分类和测量的准确性。
发现论文，激发创造
  • 多域正则化深度学习迭代在超声图像中用于解剖结构检测和分割

    本文提出了一种基于多域正则化深度学习的超声图像解剖结构检测和分割方法，通过跨领域迁移学习和迭代优化等手段提高了特征表达和分类精度，与人类表现相当且优于其他方法。

    Jul, 2016

  • 采用器官注意力网络和统计融合的腹部多器官分割

    使用器官注意力网络，结合反向连接，以2D视图特征分割3D CT体积中的腹部器官。统计融合不同方向上的2D视图，实现准确和鲁棒的分割结果。

    Apr, 2018

  • USCL：通过视频对比表示学习预训练深度超声图像诊断模型

    通过使用US-4数据集进行直接预训练，提出了一种名为USCL的US半监督对比学习方法，以学习来自US-4的功能强大的特征，并在多项下游任务中取得超越ImageNet预训练和其他SOTA预训练方法的结果。

    Nov, 2020

  • AMOS: 用于多样化医学图像分割的大规模腹部多器官基准

    介绍了AMOS 数据集，用于细分包含多个器官的腹部CT/MRI图像，并对该数据集上使用的多种深度学习模型进行了基准测试。

    Jun, 2022

  • 基于对比学习的多模态超声引导下对脑肿瘤切除的解剖标志物检测

    提出了一种用于神经外科应用中MRI-US标志物检测的对比学习框架，通过训练卷积神经网络在MRI和US扫描中编码图像特征，以匹配包含MRI相应标志物的US图像块，该方法首次在MRI-US标志物检测方面取得了有希望的结果。

    Jul, 2023

  • OnUVS：在线特征解耦高保真超声视频合成框架

    通过在线特征解耦框架OnUVS，我们成功合成了具有高保真度的超声视频，通过将解剖学信息引入关键点学习、实现内容和纹理特征解耦、采用多特征鉴别器提取全面的视觉提示以及限制关键点的运动轨迹，从而提升了合成视频的流畅性。

    Aug, 2023

  • 基于特征金字塔网络和空间循环神经网络的腹部多器官分割

    近期AI的进展正在导致传统诊断方法的衰退，而实现端到端的诊断即将快速到来。超声图像分割是诊断过程中的重要一步，准确且稳健的分割模型加快了该过程，减轻了超声医生的负担。与以前的研究不同，我们考虑了超声图像的两个固有特征：（1）不同的器官和组织在空间尺寸上有所变化，（2）人体内部的解剖结构形成了相对恒定的空间关系。基于这两个想法，我们提出了一种新的图像分割模型，结合了Feature Pyramid Network (FPN)和Spatial Recurrent Neural Network (SRNN)。我们讨论了为什么使用FPN来提取不同尺度的解剖结构，以及如何实现SRNN来提取腹部超声图像中的空间上下文特征。

    Aug, 2023

  • 医学超声视频识别中时间特征的相关性研究

    我们提出了一种新颖的多头注意力结构，将时间特征排除在外以实现在常见超声任务中更好的样本效率，结果表明，对于一些低数据量的常见超声任务，表达时间无关的模型可能比最先进的视频识别模型更有效。

    Oct, 2023

  • 超声数据中前列腺癌检测图像变换的基准测试

    用深度学习方法结合卷积网络和transformers的多尺度方法在前列腺癌的超声图像分类中表现最佳，而多目标学习可以提高性能。

    Mar, 2024

  • TASL-Net：用于双模态超声视频智能诊断的三重注意力选择学习网络

    本研究解决了双模态超声视频智能诊断中嵌入医疗知识的挑战，提高了深度学习网络的诊断准确性。提出的三重注意力选择学习网络（TASL-Net）通过模拟超声医师的时间注意力和空间注意力，提升了视频信息的处理效率和临床信心。实验结果表明，TASL-Net在肺部、乳腺和肝脏三个数据集上表现优异，具有显著的临床应用潜力。

    Sep, 2024