Jul, 2018

使用时变 LSTM 长期检测放射学异常

PDF
TL;DR本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对 LSTM 的简单修改可以显著提高分类性能，从而更好地检测胸部 X 光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。
convolutional neural networkslong-short-term-memory networksradiological abnormalitieschest x-raysclassification performance
发现论文，激发创造
  • 使用 LSTM 循环神经网络进行诊断学习

    本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将 128 个诊断结果与 13 个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

    Nov, 2015

  • 双向长短时记忆网络模拟放射学语言

    本文介绍使用双向长短期记忆神经网络模型，对医学信息提取进行自动化处理。使用大规模的胸部 X 光报告数据集，比较双向长短期记忆模型和基于字典的命名实体识别系统，以及利用 NegEx 算法和 Stanford 依赖解析器中获得的语法关系的否定检测系统。相对于这些基于规则的传统系统，我们认为 BiLSTM 为我们的任务提供了一个强有力的替代方案。

    Sep, 2016

  • 基于卷积长短时记忆预测网络的视频异常检测

    通过学习能够识别视频中异常事件的生成模型，我们提出了结合卷积 LSTM 的网络，利用少量的监督来预测视频序列的演变，从预测的一组重建误差中获取规则分数，证明使用 Conv-LSTM 单元对建模和预测视频序列是一种有效的工具。

    Dec, 2016

  • 基于纵向实验室检验的多任务疾病发作预测

    本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

    Aug, 2016

  • 空间时间卷积 LSTM 用于通过学习 4D 纵向病人数据预测肿瘤生长

    通过 ConvLSTM 技术，结合静态图像和时间动态变化，从多个患者研究中提取 3D 和时间维度信息来预测肿瘤体积，同时可实现肿瘤细胞密度和 CT 强度值的预测，并应用于 4D 医学图像分割任务。

    Feb, 2019

  • 通过循环神经网络利用多时相空间数据进行土地覆盖分类

    本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

    Apr, 2017

  • 基于 RNN 患者监测的胸部 X 光分类改进

    本文研究了利用病人历史记录信息的 CNN 图像分类模型。模型使用了 Chest X-Ray 成像技术，利用机器学习算法进行自动评估，展示出使用病人历史记录等附加信息时分类模型的性能显著提高。

    Oct, 2022

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

    Mar, 2024

  • 基于卷积 LSTM 网络的显微细胞分割

    提出一种将 Convolutional Long Short Term Memory（C-LSTM）与 U-Net 相结合的细胞分割方法，以捕获细胞动力学信息，该方法在细胞跟踪挑战赛中取得了最先进的结果，代码可在提供的 https 链接中免费获取。

    May, 2018

  • 用 LSTM 全卷积神经网络进行时间序列分类

    本文探讨了通过在完全卷积神经网络中增加长短时记忆循环神经网络分支（LSTM RNN sub-modules）来进行时间序列分类的方法，通过使用注意力机制（Attention mechanism）优化模型以及微调（fine-tuning）等方法可以显著提高模型性能。LSTM-FCN 的性能比其他模型表现更出色。

    Sep, 2017