Jul, 2018

Deepwound：通过卷积神经网络自动进行术后创口评估和手术部位监测

PDF
TL;DR本研究旨在通过利用卷积神经网络完成外科手术创面分类的任务，并提出了一种多标签 CNN 集成算法 Deepwound，该算法能够通过图像像素和相应标签，准确地识别手术创面的九种状态，包括引流、纤维性渗出物、肉芽组织、手术部位感染、裸露伤口、钉子、医用绷带和缝线等。同时，本研究还展示了一种基于智能手机的移动应用前端 Deepwound，可以方便地跟踪患者的创面和手术恢复。
postoperative wound complicationsconvolutional neural networksmulti-label cnn ensemblesurgical wound classificationmobile application
发现论文，激发创造
  • 利用深度卷积神经网络进行完全自动化的伤口分割

    基于 MobileNetV2 和联通区域标记的卷积框架可以对自然图像中的伤口区域进行有效的分割，为伤口的面积测量和定量参数提供重要的诊断和治疗信息。

    Oct, 2020

  • 创伤分类的图像和位置综合分析：一种深度学习方法

    通过创新的多模态网络，将伤口分类为糖尿病性溃疡、压力性溃疡、手术性溃疡和静脉性溃疡，结合伤口图像和相应的部位信息进行更精确的分类，提高了传统伤口图像分类技术的准确性。该多模态网络在两个不同的数据集上进行了训练和评估，取得了比文献中先前报道的性能指标显著提高的结果，表明它作为伤口图像分类的有效决策支持工具在各种临床环境中应用的潜力。

    Aug, 2023

  • 基于深度学习的创面分类辅助工具开发

    本文提出了一种基于深度学习的伤口分类工具，通过可用摄像设备拍摄的彩色图像帮助非伤口护理专业人员对五种关键伤口情况进行分类，并采用多任务深度学习框架，首次同时对深度、感染、动脉、静脉和压力性五种伤口进行分类，且模型性能与医疗专业人员的表现相同或更佳，这一方法可为非伤口护理专业人员提供帮助。

    Mar, 2023

  • HealNet -- 自监督的急性伤口愈合阶段分类

    本文介绍了一种基于自监督学习方案的伤口治愈进程自动化诊断方法，使用学习的嵌入来表示伤口的时间动态，并进行聚类以自动发现不同的治愈阶段。该方法在小型数据集上进行训练，并取得了较高的预文本和各治愈阶段分类准确率。

    Jun, 2022

  • 使用卷积神经网络从运动数据评估外科技能

    本文通过设计一种卷积神经网络 (CNN) 来自动评估机器人手术中的外科医生技能，经过我们提出的方法在 JIGSAWS 数据集上得到了非常有竞争力的结果，并通过类激活图来解释各分类并提供个性化反馈

    Jun, 2018

  • 利用两阶段深度卷积神经网络进行糖尿病视网膜病变的病变检测和分级

    该研究提出了一种基于两阶段深度卷积神经网络的自动糖尿病视网膜病变分析算法，能够精确定位和识别图像中的病变类型，评估病变严重程度，并且引入了不平衡权重映射以更好地识别病变区域，实验结果表明该算法在 DR 检测和评分方面效果显著。

    May, 2017

  • 卷积神经网络在机器人辅助手术中客观技能评估中的深度学习

    通过深度学习框架从机器人运动数据映射到单个技能级别，提出了一种无需特征工程或精心调整手势细分，即可成功解码技能信息的模型，并能在 1-3 秒窗口内可靠地解释技能，突出了深度架构在现代外科培训中高效在线技能评估的潜力。

    Jun, 2018

  • 深度卷积神经网络用于乳腺癌组织学图像分析

    本研究基于深度卷积神经网络开发了计算方法，用于乳腺癌组织病理图像分类，包括四类和两类（用于检测癌变）分类任务，在高灵敏度操作点上，我们报告了 93.8% 的准确性，97.3% 的 AUC 和 96.5/88.0% 的敏感性 / 特异性，超过了其他常见的自动组织病理学图像分类方法。

    Feb, 2018

  • 卷积神经网络用于人脸皮肤病变检测

    该研究提出了一种通过卷积神经网络和机器学习方法，在面部图像中侦测瑕疵和皮肤损伤的模型，该方法具有简单的架构、快速和适用于图像处理，并避免了传统方法的复杂性。

    Feb, 2024

  • 使用 3D 卷积神经网络进行基于视频的外科技能评估

    本研究使用深度学习方法，基于视频数据进行自动技能评估，结果表明使用 3D ConvNet 直接从数据中学习有意义的模式可以高效评估外科技术技能，使得人工特征工程不再是必须的。

    Mar, 2019