基于深度学习的肋骨中心线提取和标记
本文提出了一种新的 omni-supervised 目标检测网络 ORF-Netv2 以尽可能地利用全部可用的监督信息,特别是针对刻画医疗数据的挑战性,该网络结合多种型号监督训练出一个多分支的 omni-supervised 检测头,并提出基于协同训练的动态标签分配策略,从而灵活、稳健地从弱标签和无标签数据中学习。这个 framework 在三个肋骨骨折数据集上获得了显着效果。
Jun, 2023
本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力,并提出了一种深度学习的 CheXpert 标签预测模型,该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练,并在少量手动标记的报告数据集上进行了微调。结果表明,本方法的有效性显著优于基于规则的模型,并强调了即使在稀疏数据场景下,采用深度学习模型的好处和规则标记器作为弱监督工具的用处。
Jun, 2023
通过引入具有分层损失函数的多标签肋骨分割模型,我们提出自动肋骨分割和编号技术,以提高计算机断层扫描评估速度并减少放射科医生的错误。我们的模型在公开数据集 RibSeg v2 上取得了 98.2% 的准确性,较之前的结果提高了 6.7%。
May, 2024
利用深度学习方法实现肺叶分割,在一个手动标注的数据集上测试所提出的方法,通过设计一个混合损失函数来解决类别失衡问题,并在独立数据集上进行了测试,取得了比基线模型高达 5.87% 的表现。
Mar, 2019
通过利用多个二元分类模型,将放射学异常检测限制在心脏肥大、肺积液和实变方面,我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统,旨在辅助放射科医生的工作,通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告,从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。
Sep, 2023
提出了一个自动化的框架来从 CTA 图像中提取脑血管中心线,该框架包括预处理方法、基于图割和稳健核回归的管腔分割、采用拓扑感知损失和双分支设计的双分支拓扑感知 UNet (DTUNet),以及骨架化预测的管腔分割的后处理方法,实验证明该框架在平均对称中心线距离 (ASCD) 和重叠度 (OV) 方面优于现有方法,并且子组分析进一步表明该框架在中风治疗的临床应用中有潜力。
Jan, 2024
本研究提出一种自动定位和标记三维医学图像中椎体中心的算法,使用 DI2IN 进行初始化,使用基于消息传递方案的聚类方法和稀疏性约束进行迭代演进,最终使用稀疏性正则化进行结果优化。该算法在多个病理学数据集上表现出良好的性能。
May, 2017
该研究使用深度学习的方法对肺癌患者的胸部 X 光图像进行分析,通过运用肺部分割技术与去除骨影技术来提高病变和结节的识别准确性。预处理后的数据集(无骨影的数据集#02)相比于其他处理后的数据集(数据集#02 和#03)具有更好的准确度和损失结果。
Dec, 2017
本文提出了一种多标签胸部 X 光分类模型,能够准确分类图像发现,同时将发现位置定位到正确的解剖区域。该模型包括两个模块 - 检测模块和解剖依赖模块,并采用图卷积网络实现解剖部位之间的有关系学习。实验结果表明,与现有的多标签胸部 X 射线图像分类方法相比,该方法是有效且能够提供精确的位置信息。
May, 2021
肋骨骨折是一种常见且可能严重的损伤,在 CT 扫描中很难检测。为解决这个问题,引入了 RibFrac 挑战,提供了一个超过 5000 个肋骨骨折的基准数据集,包括 660 个 CT 扫描,并具有体素级实例掩模注释和四个临床类别(buckle,nondisplaced,displaced,or segmental)的诊断标签。此外,我们还改进了之前的基线模型,开发了 FracNet+,在肋骨骨折检测方面表现出竞争力,为 AI 辅助肋骨骨折检测和诊断的进一步研究和发展奠定了基础。
Feb, 2024