Feb, 2021

使用注意力机制卷积神经网络预测关节 X 光图像中的关节损伤

PDF
TL;DR该研究提出了一种综合目标检测和卷积神经网络与注意力的两阶段方法，可以高效准确地预测 RA 患者手脚关节的总体和关节水平的狭窄和侵蚀疾病损害，该方法已在 RA2 Dream Challenge 中排名第四和第八位，并取得了显著结果。
rheumatoid arthritisalgorithmjoint damageconvolution neural networksradiographs
发现论文，激发创造
  • 深度学习用于风湿性关节炎：X 光片关节检测与损伤评分

    本研究使用多任务深度学习模型，同时定位 X 射线图像上的关节并诊断狭窄和侵蚀两种关节损伤。该模型使用经过修改的标签平滑方法，将分类和回归提示合并为单一损失，相对标准损失函数减少了 5% 的误差。该研究在全球 RA2 DREAM 挑战赛中，关节狭窄排名第四，关节侵蚀排名第五。

    Apr, 2021

  • 深度学习模型自动评分类风湿性关节炎手部 X 光影像

    我们开发了一个定制的自动化流程，可以预测手部 X 光片中的 van der Heijde 修正的 Sharp 评分和类风湿关节炎的严重程度，而无需首先定位关节。

    Jun, 2024

  • 使用深度卷积神经网络量化放射性膝关节骨关节炎病变程度

    本文利用深度卷积神经网络自动量化膝骨关节炎的严重程度。通过使用 ImageNet 对深度学习模型进行预训练，并在膝骨关节炎图像上进行微调，分类准确性可以显著提高。同时论文指出，使用均方误差等连续的距离指标来评估自动膝骨关节炎严重性预测的准确性更为恰当。结果表明，本文方法在 Osteoarthritis Initiative 提供的 X 射线图像和 KL 分级数据集上比当前技术水平有了显著的提高。

    Sep, 2016

  • 卷积神经网络自动检测膝关节并量化膝骨关节炎严重程度

    本文介绍了一种使用 X 光图像自动量化膝关节 OA 严重程度的新方法，该方法采用完全卷积神经网络自动检测膝关节并进行多类别分类和回归输出，以优化两个损失函数的加权比率，取得了优于现有方法的极有前景的结果。

    Mar, 2017

  • 多阶段合作学习的胸部 X 光透视与临床视觉注意预测：增强解释性

    使用新型深度学习框架，结合医生的视觉注意力图，在胸部 X 射线扫描中实现关节疾病的诊断和预测对应的视觉显著性图，提高计算机辅助诊断质量。

    Mar, 2024

  • 基于深度学习的普通 X 光片自动诊断膝骨关节炎方法

    本研究提出一种基于深度孪生卷积神经网络的新透明计算机辅助诊断方法，根据 Kellgren-Lawrence 分级标准自动评分膝骨关节炎病情，并报告了该方法验证的结果和关键的放射学特征。

    Oct, 2017

  • 使用深度卷积神经网络在普通 X 光片中自动评分膝骨关节炎特征

    使用深度学习算法，基于全 OAI 数据集进行 ImageNet 传递学习和微调，完成了对膝关节 X 射线图像中 KL 和 OARSI 等级的自动预测和较好的预测。

    Jul, 2019

  • 给我一张膝盖 X 光片，我会告诉你膝关节区域在哪里：一个深度卷积神经网络的冒险

    提出了一种准确、有效的管道，结合 You Only Look Once (YOLO v3) 深度卷积神经网络和具有全面注释的大型膝关节 X 射线图像数据集，实现自动检测、定位和分类 X 射线图像中的膝关节区域，为客观分析和快速分析异常 X 射线图像提供可能。

    Feb, 2022

  • 利用两阶段深度卷积神经网络进行糖尿病视网膜病变的病变检测和分级

    该研究提出了一种基于两阶段深度卷积神经网络的自动糖尿病视网膜病变分析算法，能够精确定位和识别图像中的病变类型，评估病变严重程度，并且引入了不平衡权重映射以更好地识别病变区域，实验结果表明该算法在 DR 检测和评分方面效果显著。

    May, 2017

  • 利用联合注意力网络提高视网膜变性光学相干断层扫描图像的鲁棒性能

    本研究提出一种通过疾病特定特征表征作为新颖架构，在监督编码疾病模型和无监督方式生成注意力图之间同时利用视网膜亚空间变形的理解以提高视网膜疾病分类网络精度和鲁棒性。实验结果表明所提出的联合网络可以显著提高视网膜疾病分类网络的准确性和鲁棒性。

    May, 2020