Jun, 2020

对抗式 CAC-UNet 多级结肠镜恶性组织检测

PDF
TL;DR本研究提出了一种高效的多级恶性组织检测方法，可用于自动和客观的医学诊断模型，以达到早期癌症检测目的，从而降低死亡率。通过使用设计的对抗性 CAC-UNet 的补丁级模型和恶性区域引导标签平滑处理，以消除负面 WSIs，以降低误检风险。在多模型集合选择的关键补丁上，设计了 CAC-UNet 来实现稳健分割，其中镜像设计的鉴别器能够无缝融合精心设计的强大背骨网络的整个特征图，没有任何信息丢失。此方案在 MICCAI DigestPath2019 挑战赛结肠镜组织分割和分类任务中取得了最佳结果。
发现论文，激发创造
  • 结直肠癌组织学切片多任务学习的组织分割和肿瘤检测

    使用 U-Net 多任务模型结合颜色和统计学增 & 测试时增强，来实现对组织分割和肿瘤检测的自动化，以期解决由于公共数据集稀缺和图像变异导致的困难。在 CRC 检测（SemiCOL）2023 挑战上，该方法在被部分标注的数据集上取得了.8655 的 Dice 分数（Arm 1）和.8515 的 Dice 分数（Arm 2）用于组织分割，并在肿瘤检测方面分别达到了.9725（Arm 1）和.9750（Arm 2）的 AUROC 值。

    Apr, 2023

  • UACANet：用于息肉分割的不确定性增强上下文注意力网络

    提出了 Uncertainty Augmented Context Attention 网络（UACANet），用于息肉分割。在该网络中，考虑到显著图的不确定区域，并构建了一个具有附加编码器和解码器的 U-Net 形状网络的改进版本，并在每个自下而上流的预测模块中计算显著图，并将其传播到下一个预测模块，最终实现了比以前最先进的方法更好的表现，特别是在 ETIS 数据集上获得了 76.6％的平均 Dice 系数。

    Jul, 2021

  • ResUNet++：一种用于医学图像分割的先进架构

    该研究提出了一种改进的 ResUNet 架构，用于实现结肠镜图像分割，实验结果表明，ResUNet ++ 在公共数据集上表现出色，具有显著的性能优势。

    Nov, 2019

  • 3DGAUnet: 基于 3D U-Net 的 3D 生成对抗网络生成器，在胰腺癌的临床肿瘤图像数据中实现准确和有效的合成

    通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

    Nov, 2023

  • NeoUNet: 针对结肠息肉分割和新生物检测的准确性

    本文提出了基于 UNet 架构的 NeouNet 模型以及混合损失函数，针对息肉分割问题提出了一种细粒度的解决方案，旨在高精度地识别高恶性风险的息肉。实验证明，与现有息肉分割模型相比，NeouNet 在基准数据集上取得了竞争力的结果。

    Jul, 2021

  • DDANet：自动息肉分割的双解码注意力网络

    本文提出了一种基于双解码器注意力网络的新型架构 DDANet，通过在 Kvasir-SEG 数据集上训练并在一个未见数据集上测试，达到了 0.7874 的 Dice 系数，0.7010 的 mIoU、0.7987 的召回率和 0.8577 的精度，证明了模型的泛化能力。

    Dec, 2020

  • 多模态非对比增强 MRI 肝肿瘤分割和检测的联合对抗学习

    本文提出了一个联合对抗学习框架 (UAL)，用于利用多模态非对比磁共振成像 (NCMRI) 同时分割和检测肝肿瘤，验证实验表明 UAL 在肝肿瘤的临床诊断中有极大的潜力。

    Jan, 2022

  • 预测人工智能结肠镜模型对未知数据的概括能力

    使用自监督方法的带掩码连体网络（MSN）可以预测未标记数据上的 CADe 检测器性能，并能够检测临床数据中的分布偏移，具有医学图像领域的潜在应用。

    Mar, 2024

  • 利用弱监督定位的可解释分类器，用于高分辨率乳腺癌筛查图像

    本研究将全局感知多实例分类器应用于医学图像分析中，该模型可以通过图像级标签训练，生成可能恶性发现的像素级显著性图，并应用于乳腺癌筛查，在性能和速度方面胜过了 ResNet-34 和 Faster R-CNN 模型。

    Feb, 2020

  • 基于多尺度 MPU-Net 的 3D 医学图像分割

    本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023