ICCVAug, 2021

DICOM 影像路由器：一种用于从 DICOM X 光扫描中分类身体部位的开放深度学习框架

PDF
TL;DR本研究提出了一种基于深度卷积神经网络（CNN）的 DICOM 成像路由器，用于将未知的 DICOM X 射线图像分类为五个解剖部位，从而使深度 CNNs 能够准确有效地区分 X 射线扫描中的人体部分，从而为临床设置中广泛应用提供潜在的好处。
dicommedical imagesdeep cnnsbody partsanatomical groups
发现论文，激发创造
  • 基于深度卷积神经网络的医疗图像的解剖分类

    本研究提供了一种使用卷积神经网络（ConvNets）进行 CT 医学图像的器官或身体部位特异性解剖分类的方法，并演示了深度学习可用于训练非常可靠和准确的分类器，可进一步初始化计算机辅助诊断。

    Apr, 2015

  • 胸部 X 光分析的深度学习：一份调查

    本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。

    Mar, 2021

  • 用于胸部 X 光图像多类别分割的全卷积架构

    本研究探讨和提出了用于胸部 X 光的自动多类解剖器官分割的神经网络架构，解决了在卷积网络中处理严重不平衡数据问题和减少参数数量等挑战，证明了该架构在所有考虑的器官方面表现优于现有技术，并且优于人类观察者结果，最佳模型的均值 Jaccard 重叠得分为 95.0％（肺）、86.8％（锁骨）和 88.2％（心脏）。

    Jan, 2017

  • 利用卷积神经网络自动分类体 MRI 序列类型

    提出了一种自动分类胸、腹部和盆腔的三维 MRI 序列的方法，以减少临床医生的监督并确保 DICOM 标头的有效性，实验结果表明这种方法优于先前的 MRI 序列分类器。

    Feb, 2024

  • 基于多模型深度学习方法的自动胸片报告生成器

    通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

    Sep, 2023

  • 使用密集卷积神经网络对胸部 X 光影像进行多标签分类的研究

    本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型，能够在 X 线图像中准确检测出多种胸部病理，并实现了深度学习算法的模型可解释性。

    Feb, 2022

  • 基于混合卷积神经网络 - 变换器架构的胸部 X 射线疾病计算机辅助诊断

    通过将 DenseNet121 卷积神经网络与自注意力机制相结合的 SA-DenseNet121 模型，可以在胸部 X 射线中识别多种胸部疾病，并在诊断工作流程中提供支持，改善效率并减少诊断错误。

    Apr, 2024

  • MultiFusionNet：多层次多模态深度神经网络的胸部 X 光图像分类

    通过利用卷积神经网络，提出了一种基于多层多模态融合模型的新型深度学习疾病检测模型，能够从不同层次提取特征并融合它们，在胸部 X 射线图像的疾病分类中取得了高达 97.21% 和 99.60% 的显著准确率，具有准确的疾病分类潜力，并可推广至其他胸部 X 射线图像中的疾病分类。

    Jan, 2024

  • AnaXNet：基于解剖学的胸部 X 光多标签病变定位分类

    本文提出了一种多标签胸部 X 光分类模型，能够准确分类图像发现，同时将发现位置定位到正确的解剖区域。该模型包括两个模块 - 检测模块和解剖依赖模块，并采用图卷积网络实现解剖部位之间的有关系学习。实验结果表明，与现有的多标签胸部 X 射线图像分类方法相比，该方法是有效且能够提供精确的位置信息。

    May, 2021

  • 利用位置感知稠密网络学习识别胸部 X 光异常

    本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

    Mar, 2018