Apr, 2019

XLSor: 使用 Criss-Cross Attention 和定制的辐射逼真异常生成技术，创建一个强大精确的胸部 X 光片肺分割器

PDF
TL;DR本研究提出了一种新的肺部分割框架，包括基于交叉关注的分割网络和放射真实胸部 X 射线图像合成用于数据增强。同时，使用图像到图像的翻译模块来合成放射学异常胸片器用于数据增强，并阐明了该框架的稳健性和有效性。
发现论文，激发创造
  • 机器学习：从胸部 X 射线片中分割肺部异常

    CheX-nomaly 模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强 U-net 模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

    Nov, 2023

  • 通过体积伪标记实现射线图中人体解剖结构的精确细分

    本研究通过三维计算机断层扫描的伪标记提取 CXR 的精细解剖结构，为 CXR 的语义分割建模提供了可行方法，可以在不需要人工干预的情况下实现精细的解剖分割。

    Jun, 2023

  • SCAN：针对胸部 X 射线器官分割的结构校正对抗网络

    本文介绍了一种名为 SCAN 的结构校正对抗网络，用于在胸部 X 射线图像中分割肺部和心脏，通过扶持的方法使网络学习到高阶结构，最终取得了人类水平的性能。

    Mar, 2017

  • CheXmask：一个多中心胸部 X 射线图像的解剖分割掩膜的大规模数据集

    通过六个公开数据库的统一和精细的解剖学标注，提出了一个广泛的胸部 X 射线多中心分割数据集。在这个数据集中，使用 HybridGNet 模型进行严格的验证和高质量的分割，提供了每个掩膜的个性化质量指数和数据集的整体质量评估。该数据集对于胸部 X 射线分析方法的开发和评估具有重要价值。

    Jul, 2023

  • 基于通道和上下文注意力的分层 SegNet 用于胸部 X 光图像的准确肺部分割

    本研究提出了一种将分层 SegNet 与多模态注意力机制相结合的新方法用于肺分割，实验证明该方法在肺分割任务中表现优异，超过现有方法，具有提高肺病诊断和治疗准确性和效率的潜力，并可推广到其他医学图像分析任务。

    May, 2024

  • 基于模糊注意力的边界渲染网络用于肺器官分割

    该研究介绍了一种名为模糊注意力边界渲染（FABR）网络的有效肺器官分割方法，该方法利用模糊逻辑处理特征提取中的不确定性，通过全局局部立方树融合（GLCF）模块，将肺器官区域描述为立方树，重点关注容易丢失的边界脆弱点，从而实现对严重不连续、假阴 / 假阳性器官区域的渲染，实验结果表明该方法在气道与动脉的四个具有挑战性的数据集上具有显著的性能优势。

    Jun, 2024

  • 基于深度学习的胸部 X 射线图像结核病分析技术及其分割与增强方法研究

    提供了通过使用基于深度学习的计算机辅助诊断（CADx）进行 2D 胸部 X 射线（CXR）图像分析以获得可靠预测肺结核可用性的结果，并通过使用应用于小型数据集的深度卷积神经网络 (CNN) 的肺部分割、无损和损失数据增强来展示 CADx 的效率。

    Mar, 2018

  • BarlowTwins-CXR：跨领域自监督学习增强异质数据中的胸部 X 光异常定位

    BarlowTwins-CXR 通过自监督学习策略显著提高了胸部 X 射线图像异常定位的效率和准确性，超越了传统的迁移学习方法，并有效地解决了跨域场景中的领域不一致问题。我们的实验结果表明，利用自监督学习可以提高在医学环境中具有有限异构数据的模型的泛化能力。

    Feb, 2024

  • 用于胸部 X 光图像多类别分割的全卷积架构

    本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

    Jan, 2017

  • 胸部 X 射线摄影图像的多任务器官分割和骨抑制图像翻译

    本研究首次引入条件生成对抗网络 (CGAN) 的多任务深度学习模型，该模型可同时生成经过骨抑制处理和经过器官分割处理后的图像，通过优化处理时间和操作参数，改善了数据可靠性。

    Jun, 2019