ICLRMar, 2020

评估对噪声的稳健性：低成本头部 CT 分流

PDF
TL;DR通过使用卷积神经网络自动分类医学图像，我们研究了在使用低成本扫描仪时，训练 CNN 模型的性能如何。我们发现，我们的模型对于更低的 X 射线管电流和更少的图片被拍摄的角度的图片都有很好的分类效果。然而，在使用受限扫描器获得的显着劣化的图像方面，我们发现训练特定于这种图像的模型可以克服技术限制并保持接近于原始模型的性能。
automated medical image classificationconvolutional neural networkshealthcareimage noiselimited angle scans
发现论文，激发创造
  • 使用定向小波的深度卷积神经网络进行低剂量 X 射线 CT 重建

    为了应对 X-ray CT 低剂量扫描中复杂噪声的问题，提出了一种基于方向小波变换和深度卷积网络的去噪算法，实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。

    Oct, 2016

  • 低剂量 CT 图像恢复的对抗鲁棒性评估

    评估不同深度学习方法和经典方法在 CT 图像恢复中的鲁棒性，发现深度网络更容易受到未定向攻击的影响，数据一致性不受重建质量影响，需要更好的正则化方法。同时，深度网络和经典方法都容易受到对局部病变产生可见变化的攻击的影响，这些攻击可以用于探索 CT 恢复问题的解空间。

    Feb, 2024

  • 使用深度学习进行低剂量 CT 图像增强

    通过使用 U-NET 模型，可以成功地改进低剂量 CT 图像的质量，提供了比其全剂量版本更好的诊断图像。

    Oct, 2023

  • 借助深度学习辅助自动检测，实现头部计算机断层扫描图像重建标准化

    提出了一种高效的自动头部 CT 图像三维重建方法，使用基于深度学习的目标检测算法自动重新格式化图像，并通过定性评估标准化重建结果展示了该方法的临床实用性和有效性。

    Jul, 2023

  • 用于胸部 X 射线和胃肠道图像分类的视觉 Transformer

    使用不同的卷积神经网络和 Transformer 方法以及广泛的数据增强技术，在三个医学图像数据集上比较了它们的表现，并将视觉 Transformer 模型与其他先进的预训练 CNN 网络进行了评估和比较，在分类不同的解剖结构、所见和异常方面，我们的 Transformer 模型优于或更有效，比 CNN 基于的方法有所改进，建议将其用作算法开发的新基准算法。

    Apr, 2023

  • 混淆变量会降低放射学深度学习模型的泛化性能

    通过交叉校验三个不同医院的 158,323 幅胸部 X 光片，证明在不同医院系统中使用卷积神经网络进行肺炎筛查的性能较低，并且在实际临床应用中，基于模型训练的测试数据得出的性能估计可能高估了实际性能。

    Jul, 2018

  • 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

  • 面向结构的多尺度深度神经网络用于低剂量 CT 去噪

    本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

    May, 2018

  • 探讨视觉变换器在医学图像分类中对标签噪声的稳健性

    医学图像分类数据集中的标签噪声严重影响了受监督深度学习方法的训练，削弱了其泛化能力。本文研究了 Vision Transformer (ViT) 相对于 CNN 的鲁棒性，以及其处理医学图像分类中标签噪声的能力，并使用两个医学图像分类数据集进行了实验验证。

    Feb, 2024

  • 训练医学影像深度学习系统所需数据量达到高准确度需要多少？

    本文旨在研究最佳培训数据集的大小，以实现医学图像分类系统中高分类精度和低方差。 通过使用学习曲线方法来预测在给定的培训样本大小下的分类精度，我们提出了确定达到特定目标分类精度所需培训数据集大小的通用方法，可轻松应用于此类系统中的其他问题。

    Nov, 2015