ICLRApr, 2021

深度学习用于风湿性关节炎：X 光片关节检测与损伤评分

PDF
TL;DR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。
computer visionmedical image analysisrheumatoid arthritismulti-task deep learninglabel smoothing
发现论文，激发创造
  • 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

    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。

    Feb, 2021

  • 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

  • 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

  • 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

  • 基于多模态机器学习的膝骨关节炎进展预测 —— 来自 X 光片和临床数据

    通过以患者影像数据、临床检查数据和既往病史为基础的多模态机器学习模型，可以预测膝关节骨关节炎（OA）的进展情况，并显著改善 OA 药物开发试验的受试者选择过程，帮助个性化治疗计划的开发。

    Apr, 2019

  • 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

  • 运用视觉语言模型评估骨关节炎疾病严重程度

    通过视觉语言处理模型，此研究利用 X 光图像和相关报告预测骨关节炎的严重程度，并展示了在医学背景中特定视觉语言模型的潜在进展和学习文本图像表示及其上下文关系的有效性。

    Jan, 2024

  • 改进膝关节 X 射线影像分类：自动图像标注方法

    使用自动标注方法显著提高了放射性诊断中图像分类的性能，并促进了患者护理和大型膝部数据集的整理。

    Sep, 2023

  • 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