Feb, 2022

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 一种新的自动定位膝关节区域的方法

    本研究旨在开发一种新的计算方法，通过基于解剖学的联合区提案和方向梯度直方图的评估及其预先训练的支持向量机分类器的得分来自动定位关节区域，提高膝关节放射成像的客观性，结果表明该方法适用于大规模分析。

    Jan, 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

  • 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

  • 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

  • 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

  • 学习无偏见的图像分割：以普通膝关节 X 光片为例

    通过使用深度学习进行膝骨解剖自动分割，发现了深度学习模型中存在的性别和种族偏见，并提出了缓解这些偏见的策略，以确保公平和无偏差的分割结果，促进多样患者群体获得均等准确的诊断和治疗成果的医疗服务。

    Aug, 2023

  • 利用循环一致性生成对抗神经网络合成双向时间状态的膝关节骨关节炎 X 光影像

    在这项研究中，我们训练了一个 CycleGAN 模型，能够将真实射线片转化为不同的骨关节炎阶段，通过欺骗一个卷积神经网络在转化后的图像中错误分类疾病阶段，证明了 CycleGAN 有效地在时间上向前或向后转化疾病特征。该模型在合成未来疾病状态方面特别有效，并且通过消除骨赘和扩大膝关节间隙，在回溯性地将晚期射线片转化为早期阶段方面表现出优异的能力，这是没有或可疑骨关节炎的特征。模型的结果显示了在诊断模型、数据增强、医疗教育和预后使用方面的潜在改进能力，但进一步改进、验证和广泛的评估过程，包括基于卷积神经网络的评估和专业医学反馈，对未来的研究和开发非常重要。

    Nov, 2023

  • 探索基础数据增强方法在基于深度学习的膝关节骨关节炎放射影像分类中的有效性

    探索多种数据增强方法以及其对膝关节骨关节炎模型性能的影响，发现某些方法能提高性能，而其他常用方法表现不佳。通过敌对性增强方法确定了可能的干扰区域，并发现移除膝关节反而提高了 KL1 分类准确性，进一步强调了技术选择对模型性能的重要性和识别与处理放射影像中的潜在干扰区域的需求。

    Nov, 2023