Jul, 2019

乳腺 X 光摄影乳房结节检测的交叉视图关系网络

PDF
TL;DR本文提出了一种新的乳腺 X 光照片肿块检测框架，名为交叉视图关系区域卷积神经网络（CVR-RCNN），对来自两个配对视图的相应质量兴趣区域（ROIs）之间的潜在关系信息进行了捕捉，并在公共和私人数据集上取得了较之前的最新研究方法更出色的结果，说明跨两个视角的关系信息结合有助于训练出更好的检测模型，有很大应用潜力。
mammogrambreast cancermass detectionconvolutional neural networksrelational information
发现论文，激发创造
  • 鲁棒的全面乳腺 X 线图片分类的双视角相关混合注意力网络

    本文提出了一种双视图相关混合注意力网络（DCHA-Net），可用于强健的乳腺 X 线分类，利用局部关系和非局部注意块来最大化两个视图之间的基础相关性，通过为相应的条带状区域引入双视图相似度最大化的损失来提高该网络性能。

    Jun, 2023

  • 双视角乳腺 X 线照片肿块检测的特征融合

    我们提出了一个名为 MAMM-Net 的新模型，该模型能够同时处理两种乳腺 X 射线摄影图像，并通过整合对象级别和特征级别的信息，基于可变形注意力实现了增加检测精度并保持高召回率。在公开的 DDSM 数据集上，我们的实验表明与先前最先进的模型相比，MAMM-Net 具有卓越的性能，同时引入了新的有益特性，如像素级别病变注释和病变恶性分类。

    Apr, 2024

  • 针对乳腺 X 线照片结节分割的对抗性深度结构网络

    采用全卷积神经网络和条件随机场的端到端网络结构，在乳腺癌 X 光摄影图像分析中进行乳房肿块的分割定位，并采用对抗训练来防止过拟合，融合不同卷积核的 4 个模型可获得最优的分割效果。

    Dec, 2016

  • Transformers 改善未注册多视角乳腺 X 线诊断

    研究使用多视角视觉 Transformer 构建计算机辅助诊断方案，在不需要繁琐的预处理步骤的情况下，基于四张乳腺 X 线照片的 Transformer 模型达到了 81.8% 的诊断准确率，优于当前多视角 CNN 的诊断准确率。

    Jun, 2022

  • 多视角深度卷积神经网络实现高分辨率乳腺癌筛查

    本文提出了使用多视角深度卷积神经网络处理高分辨率医学影像的方法，通过在大规模乳腺 X 线片筛查中测试，结果表明训练集大小和图像大小对准确预测的影响，模型的性能与放射学家委员会相当。

    Mar, 2017

  • 多视图乳腺癌分类的超复数神经架构

    本文提出一种基于参数化超复数神经网络的多视角乳腺癌分类方法，有效地捕捉乳腺内不同视角的相关性，模拟医生的诊断过程，试验证明该方法在乳腺癌分类中能够显著优于传统的深度学习方法和目前的先进方法。

    Apr, 2022

  • 使用深度卷积神经网络对乳腺 X 线摄影异常进行检测

    针对乳腺癌的计算机辅助检测方法，通过对乳腺 X 线照片图像的卷积神经网络 (CNN) 自动建模和分类，实现对钙化和肿块的分类和定位，以降低放射科医师的成本和工作量。

    Mar, 2018

  • TransReg：多视图乳腺 X 线检测中的交叉变换器作为自动注册模块

    利用多视角乳房 X 光照片的信息，利用交互变换器建模同侧视图之间的关系来检测和预测乳房肿块，取得了令人满意的效果。

    Nov, 2023

  • 利用深度卷积神经网络从乳房 X 光照片中分类乳房肿块

    使用卷积神经网络对乳腺 X 线摄影筛查中预分割乳腺肿块进行良恶性分类，通过转移学习、预处理和数据增强等方法优化模型，在 DDSM 数据集上取得最好的结果，超过了人类表现，并且展示了模型的可解释性。

    Dec, 2016

  • 用于乳腺 X 光照片分类的多尺度卷积神经网络和课程学习策略

    利用课程学习策略训练的多尺度卷积神经网络，在乳腺 X 线摄影术中，通过分割病变区域、全局判定等方法，高度准确地分类了乳腺 X 线摄影术图像，实现了对乳腺癌的早期检测。

    Jul, 2017