Apr, 2020

基于医疗的深度课程学习用于改进骨折分类

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 应用 CNN 和 Lazy Learning 方法通过 CT 扫描图像分类颅骨骨折

    提出了一种新的模型 SkullNetV1，利用卷积神经网络和懒惰学习方法对脑 CT 图像中的颅骨骨折进行分类，可以自动化地检测和分类骨折类型，该模型在七类多标签分类中取得了 88％的子集准确度，93％的 F1 得分，0.89 至 0.98 的曲线下面积（AUC），92％的汉明分数和 0.04 的汉明损失。

    Mar, 2022

  • 使用卷积神经网络及分类算法预测颅骨骨折

    本文介绍了一种基于卷积神经网络的计算机辅助颅骨骨折分类专家系统，使用 ResNet50 和梯度提升决策树机器学习算法将 CT 扫描中某三类颅骨骨折分类，可以实现 96% 的 F1 值，95% 的汉明分值，94% 的平衡准确度分值和 96% 的 ROC 曲线。

    Aug, 2022

  • 通过可解释的人类模式增强脊椎骨折分级的解释能力

    通过 ProtoVerse 方法，我们成功应用于 VerSe'19 数据集，解决了骨折分级和深度学习模型解释性不足的问题，实现了对医学诊断的可解释性和临床适用性的提升。

    Apr, 2024

  • DeepDRR-- 荧光引导下机器学习的催化剂

    本研究提出了一种基于机器学习的用于快速、真实模拟 CT 扫描的衍射、数字放射成像模拟的框架，并通过在盆骨的影像检测中的应用展示了模型无需重新训练和领域适应即可推广到未知的临床数据的良好表现。

    Mar, 2018

  • 医学影像中渐进遮挡的课程学习抵消雾霾影响

    本研究提出了一种基于课程学习的深度学习模型，可有效处理被遮挡的医学图像，通过引入逐步递增的遮挡，模型可先掌握简单的图案再建立对更复杂遮挡情况的理解，并且所提出的三种遮挡综合方法证明了在医学图像的诊断精度和鲁棒性上相较于传统训练方法的明显提高。

    Jun, 2023