基于轻量级伪三维卷积和表面点回归的深度体积通用病变检测
提出了一种新的多任务病变检测方法,应用于多种用于医学成像分析的单病例数据集中,利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释,从而提高三维体积通用病变检测的性能,与当前最先进的方法相比,平均灵敏度提高了 29%。
May, 2020
在肿瘤患者的随访 CT 检查中,肿瘤体征的尺寸测量对于评估治疗效果至关重要。高效的病变分割能够加速放射学工作流程。我们引入了 ULS23 基准,用于胸腹盆 CT 检查中的 3D 通用病变分割。该基准包含了胰腺、结肠和骨骼等各种挑战性的病变类型,在 284 名患者中共计包含 38,693 个病变。我们还开发并公开发布了我们的基线半监督 3D 病变分割模型。该模型在挑战测试集上取得了平均 Dice 系数为 0.703±0.240 的成绩。我们邀请持续提交以推动未来 ULS 模型的发展。
Jun, 2024
该论文介绍了一种基于 Mask R-CNN 的通用病变检测器(ULDor),通过使用 pseudo mask 和 hard negative example mining 策略来提高检测性能,可在大规模 CT 扫描中实现各种病变的准确检测。该方法在 NIH DeepLesion 数据集上实现了 86.21% 的灵敏度和每张图像 5 个假阳性的检测效果。
Jan, 2019
本文提出一种多任务普适性病变分析网络,它基于改进的 Mask R-CNN 框架,能够联合检测、标注和分割身体各部位的病变,达到了 DeepLesion 数据集上最高的检测和标注精度。
Aug, 2019
在肿瘤学研究中,准确的 CT 扫描病灶 3D 分割对于病灶生长动力学的建模至关重要。然而,根据 RECIST 准则,放射科医生通常仅在显示最大横截面面积的轴位切片上勾画每个病灶,并在研究目的上勾画少量的 3D 病灶。因此,我们有大量未标记的 3D 体积和带标签的 2D 图像,以及稀缺的标记的 3D 体积,这使得训练深度学习 3D 分割模型成为一项具有挑战性的任务。本研究提出了一种新模型,称为多维统一的 Swin Transformer (MDU-ST),用于 3D 病灶分割。MDU-ST 由一个偏移窗口变换器 (Swin-transformer) 编码器和一个卷积神经网络 (CNN) 解码器组成,使其能够适应 2D 和 3D 输入,并在同一编码器中学习相应的语义信息。基于该模型,我们引入了一个三阶段框架:1) 通过自我监督的先验任务利用大量未标记的 3D 病灶体积来学习 Swin-transformer 编码器中病灶解剖学的潜在模式;2) 对 Swin-transformer 编码器进行微调,以使用 2D RECIST 切片执行 2D 病灶分割,学习切片级分割信息;3) 进一步对 Swin-transformer 编码器进行微调,以使用带标签的 3D 体积执行 3D 病灶分割。该网络的性能通过 Dice 相似系数 (DSC) 和 Hausdorff 距离 (HD) 在一个内部的 3D 病灶数据集上进行评估,其中包含来自多个解剖位置的 593 个病灶。所提出的 MDU-ST 相比竞争模型表现出显著改进。该方法可用于进行自动化的 3D 病灶分割以辅助放射组学和肿瘤生长建模研究。本论文已被 IEEE 国际生物医学成像研讨会 (ISBI) 2023 接受。
Sep, 2023
该论文提出了一种基于 HRNet 的弱监督方法,称为 AHRNet,通过区域级别集合(RLS)损失进行优化,可实现精准的通用病变分割,实验证明在公共数据集 Deeplesion 上取得了最佳表现。
May, 2021
通过引入创新的探索式训练方法,结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练,我们提出的框架在两个医学图像数据集上展现了卓越的性能,超越了现有最优方法。
Sep, 2023
本研究提出了基于深度学习的深度损伤跟踪器(DLT),该方法解决了长期研究中监测治疗反应的核心问题,即如何准确地对大量数据进行图像识别和解剖学研究,同时提高检测的速度和精度,该方法已在公共 DeepLesion 数据库上进行了测试和验证,并成功应用于肿瘤监测工作流程中。
Dec, 2020
使用卷积神经网络的自动化方法可以高效地检测出脑血管源性腔隙,具有减少误检率的优势,并且可以促进神经退行性疾病的研究。
Oct, 2016
本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet),用于增强乳腺癌超声计算机辅助诊断的精确性,通过优化检测网络和分类网络,使模型在病灶检测和诊断任务中达到最佳表现。
Jun, 2023