KDDJun, 2018

多尺度深度分类器使用于乳腺 X 线摄影评估

PDF
TL;DR利用卷积神经网络对乳腺 X 光造影图像进行分类，提出了一种高性能组织评估方法，采用局部组织分类器的方法在不同尺度上对可疑发现的组织块进行分类，使 AUC 超过了 0.9，并使用该方法生成了适用于临床设置的显著性图像。
deep learningmammography assessmenttissue assessmentconvolutional neural netsaliency image
发现论文，激发创造
  • 用于乳腺 X 光照片分类的多尺度卷积神经网络和课程学习策略

    利用课程学习策略训练的多尺度卷积神经网络，在乳腺 X 线摄影术中，通过分割病变区域、全局判定等方法，高度准确地分类了乳腺 X 线摄影术图像，实现了对乳腺癌的早期检测。

    Jul, 2017

  • 面向全球的乳腺癌筛查多实例分类器

    本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。

    Jun, 2019

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    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

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 深度神经网络改善放射科医生乳腺癌筛查的表现

    本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过 200,000 个检查（超过 1,000,000 张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的 AUC 为 0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

    Mar, 2019

  • 使用深度学习在乳腺 X 线照片中检测和分类病变

    本论文提出了一种基于 Faster R-CNN 的 CAD 系统，该系统可以在不需要任何人类干预的情况下检测和分类乳腺摄影中的恶性或良性病变，且在 INbreast 数据库上达到了 AUC=0.95 的良好分类性能。

    Jul, 2017

  • 利用深度卷积神经网络从乳房 X 光照片中分类乳房肿块

    使用卷积神经网络对乳腺 X 线摄影筛查中预分割乳腺肿块进行良恶性分类，通过转移学习、预处理和数据增强等方法优化模型，在 DDSM 数据集上取得最好的结果，超过了人类表现，并且展示了模型的可解释性。

    Dec, 2016

  • 稀疏标签分配的深度多实例网络用于乳腺 X 线照片整体分类

    通过使用深度多实例网络对乳腺摄影进行分类，本文成功地实现了对乳腺癌进行计算机辅助诊断，消除了传统方法中昂贵的手动标注和特定计算模型的需要。该文在 INbreast 数据集上开展的实验结果表明，所提出的深层网络相对于先前使用分割和检测注释进行训练的工作具有更好的鲁棒性。

    Dec, 2016

  • 使用深度卷积神经网络进行乳腺密度分类

    通过探索超过 200,000 例乳腺癌筛查检查的数据集，使用强卷积神经网络分类器对乳腺密度分类这一问题进行训练和验证，并在读者研究中发现该模型可以与人类专家相媲美。

    Nov, 2017

  • 人工智能模型乳腺 X 线筛查的性能差距 -- 迈向公平和可解释的模型

    通过分析筛选乳腺 X 线检查中失败的人群，使用深度学习模型识别正常和异常组织贴片，并评估人口子组的分类偏差，得出哪些影像特征是深度学习模型性能较差的原因。

    May, 2023