Dec, 2018

使用少量 X 光图像和 Faster R-CNN 训练检测远端桡骨骨折

PDF
TL;DR通过训练 Faster R-CNN 深度学习网络，在只有 38 张有骨折的手部 X 光图像的情况下，可高精准度地识别和定位远端桡骨骨折，其准确性为 96％，平均精度为 0.866，并且较医生和放射科医师检测结果更为准确。这一技术为检测罕见疾病或常见疾病的罕见症状打开了可能性。
发现论文，激发创造
  • 使用深度神经网络进行类放射科医师级别髋骨骨折检测

    我们开发了一种自动深度学习系统，可以从前面的骨盆 X 光片中检测髋骨骨折，它可以应用于临床数据，并演示了类似于人类放射科医师的诊断性能，将 ROC 曲线下面积达到 0.994。该系统有望提高诊断效率，减少昂贵的额外检查，扩大专家级医学图像解释的接入，改善患者整体效果。

    Nov, 2017

  • 使用 YOLOv8 算法检测儿童腕部骨折 X 射线图像

    本文研究了如何使用 YOLOv8 算法从 X 光图像中检测儿童手腕骨折，并通过实验结果展示了该算法在不同模型大小上取得了不同的优势，其中 YOLOv8l 模型的平均精度最高（63.6%），而 YOLOv8n 模型在单个 CPU 上的推理时间只需 67.4 毫秒，并创建了 “使用 YOLOv8 应用程序进行骨折检测”，以协助外科医生解释 X 光图像中的骨折，降低误诊概率，并为骨折手术提供更多有用信息。

    Apr, 2023

  • 使用迁移学习进行骨折分类

    本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。

    Jun, 2024

  • 使用注意力机制卷积神经网络预测关节 X 光图像中的关节损伤

    该研究提出了一种综合目标检测和卷积神经网络与注意力的两阶段方法，可以高效准确地预测 RA 患者手脚关节的总体和关节水平的狭窄和侵蚀疾病损害，该方法已在 RA2 Dream Challenge 中排名第四和第八位，并取得了显著结果。

    Feb, 2021

  • 利用神经网络在 X 光（2D）图像上估计和抽象骨骼的 3D 结构

    本文提出了一种基于深度学习的方法，可以从一对二维 X 射线图像中估计骨头的三维结构，并且相较于八种其他的三维骨重建方法，预测精度更高。同时，该神经网络可以根据 X 射线图像确定骨头的身份，具有 100％的准确性，为鉴定和识别骨头提供了一种基于图像内容的更快速的方式。

    Jan, 2020

  • 盆骨 X 光片中弱监督的通用骨折检测

    提出了一个针对 X 光诊断中骨盆和髋部骨折的两阶段方法，首先使用深度全卷积网络在训练数据中挖掘出可能的真实阳性和确定的硬阴性感兴趣区域，其次使用挖掘出的感兴趣区域训练一个更加一般化的模型来执行局部分析以对骨折进行分类。在 23 位受试者中的初步读者研究中，该方法表现出与人类医师 (甚至胜过急诊医生和外科医生) 不相上下的性能。

    Sep, 2019

  • 利用图像分割与自监督学习预测手腕 X 射线片中的骨质疏松症

    本研究使用手腕和手腕 X 光图像进行骨质疏松症预测，为增加筛查率而不增加成本或时间提供了一种新的方法。通过图像分割和自监督学习，本方法实现了对骨质疏松症的有效分类，为从外周骨骼部位利用视觉技术进行骨质疏松症识别的先导性工作。

    Nov, 2023

  • 深度学习预测髋部骨折，利用混杂患者和医疗变量

    使用深度学习模型对 17,587 个 X 光片进行训练，研究了骨折的影像学特征、患者特征和医院过程特征对其影响，发现这些因素是计算机辅助诊断算法预测的主要来源，表明应该进一步研究深度学习决策过程以有效协作。

    Nov, 2018

  • 基于医疗的深度课程学习用于改进骨折分类

    本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折，并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据，使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动，我们证明了该模型可以在更少的数据情况下达到更好的性能，与类均匀和随机策略相比，提出的基于医学知识的课程表现在准确性方面达到了高达 15％的优势，并实现了有经验的创伤外科医生的表现水平。

    Apr, 2020

  • 智能颈椎骨折检测基于深度学习方法

    该研究使用深度学习技术，通过一个两阶段的流程，识别并定位颈椎骨折，验证了该算法显著减轻放射科医生的工作量并提高骨折检测的准确性。

    Nov, 2023