CVPRApr, 2019

针对多样化 CT 图像的临床显著发现的整体和全面注释：从放射学报告和标签本体学习

PDF
TL;DR该研究使用深度学习和多标签分类方法设计了一个名为 LesaNet 的病变注释网络，它可以准确的为超过 32k 的多样性病变图像进行分类并提取出 171 个精细标签，平均 AUC 达到 0.9344。
radiologistslesion descriptiondeep learningmultilabel classificationlesion annotation network
发现论文，激发创造
  • 野外深度病变图：在大规模多样化病变数据库中学习和组织重要的放射学图像发现的关系

    该文介绍了使用深度学习模型快速有效地处理医学影像中的异常病变并生成语义化标注的方法。研究利用 DeepLesion 数据集和三元组网络模型结构，可以有效地检索、聚类、和分类这些异常病变。该方法可以进一步应用于病人内部异常的匹配和缺失标注挖掘等临床应用。

    Nov, 2017

  • 使用异构和部分标签的多数据集学习，实现 CT 通用病变检测

    该研究旨在开发一种通用的病变检测算法，通过利用粗略标注和临床知识，在多个异构数据集上进行训练，实现在多种病变类型下的准确检测。

    Sep, 2020

  • 病变定位的多模态自监督学习

    利用图像和诊断报告的多模态深度学习在医学影像诊断领域取得了显著进展，尤其在缺乏足够注释信息的辅助诊断方面具有强大的能力，然而，没有详细位置注释的准确定位疾病仍然是一个挑战，现有的方法已尝试利用局部信息实现细粒度语义对齐，但其在提取综合上下文内的细粒度语义能力有限，为解决这一问题，我们提出了一种新的方法，将文本报告中的完整句子作为局部语义对齐的基本单元，我们的方法结合了胸部 X 射线图像和相应的文本报告，在全局和局部层面进行对比学习，我们的方法在多个数据集上取得的领先结果证实了其在病灶定位任务中的有效性。

    Jan, 2024

  • 通过学习多个异质标记数据集实现通用病变检测

    提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

    May, 2020

  • MULAN：联合病变检测、标记和分割的多任务通用病变分析网络

    本文提出一种多任务普适性病变分析网络，它基于改进的 Mask R-CNN 框架，能够联合检测、标注和分割身体各部位的病变，达到了 DeepLesion 数据集上最高的检测和标注精度。

    Aug, 2019

  • 构建 RadiologyNET：大规模多模态医学数据库的无监督注释

    通过多模态数据源自动标注医学放射照片，利用机器学习技术进行医学诊断和治疗的自动化流程。

    Jul, 2023

  • 通过探索性训练解决通用病变检测任务中的不完整标注问题

    通过引入创新的探索式训练方法，结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练，我们提出的框架在两个医学图像数据集上展现了卓越的性能，超越了现有最优方法。

    Sep, 2023

  • 大规模放射学数据库上的文本 / 图像交错深度挖掘，用于自动图像解释

    提出了一种文本 / 图像深度学习系统，通过融合自然语言处理技术相互作用，在病人扫描图像中生成语义标签，预测辐射学水平中的语义主题并自动生成关键词。

    May, 2015

  • 利用神经注意模型对放射学报告进行分类

    本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。

    Aug, 2017

  • 具有区域级集损失的弱监督通用病变分割

    该论文提出了一种基于 HRNet 的弱监督方法，称为 AHRNet，通过区域级别集合（RLS）损失进行优化，可实现精准的通用病变分割，实验证明在公共数据集 Deeplesion 上取得了最佳表现。

    May, 2021