Mar, 2022

应用 CNN 和 Lazy Learning 方法通过 CT 扫描图像分类颅骨骨折

PDF
TL;DR提出了一种新的模型 SkullNetV1，利用卷积神经网络和懒惰学习方法对脑 CT 图像中的颅骨骨折进行分类，可以自动化地检测和分类骨折类型，该模型在七类多标签分类中取得了 88％的子集准确度，93％的 F1 得分，0.89 至 0.98 的曲线下面积（AUC），92％的汉明分数和 0.04 的汉明损失。
skull fractureclassificationdeep learningcnnbrain ct images
发现论文，激发创造
  • 使用卷积神经网络及分类算法预测颅骨骨折

    本文介绍了一种基于卷积神经网络的计算机辅助颅骨骨折分类专家系统，使用 ResNet50 和梯度提升决策树机器学习算法将 CT 扫描中某三类颅骨骨折分类，可以实现 96% 的 F1 值，95% 的汉明分值，94% 的平衡准确度分值和 96% 的 ROC 曲线。

    Aug, 2022

  • 智能颈椎骨折检测基于深度学习方法

    该研究使用深度学习技术，通过一个两阶段的流程，识别并定位颈椎骨折，验证了该算法显著减轻放射科医生的工作量并提高骨折检测的准确性。

    Nov, 2023

  • 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

  • 使用迁移学习进行骨折分类

    本研究介绍了一种用于骨折分类的简单而健壮的训练方法，相较于现有方法取得了明显的优势性能，仅需少于十个 epochs，利用最新的数据集建立了最佳模型。我们强调了负责任和高效地训练深度学习模型以及选择高质量数据集的重要性。

    Jun, 2024

  • 基于医疗的深度课程学习用于改进骨折分类

    本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折，并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据，使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动，我们证明了该模型可以在更少的数据情况下达到更好的性能，与类均匀和随机策略相比，提出的基于医学知识的课程表现在准确性方面达到了高达 15％的优势，并实现了有经验的创伤外科医生的表现水平。

    Apr, 2020

  • 使用具有跳过连接的卷积神经网络进行脑肿瘤检测

    本研究使用卷积神经网络 (CNN) 结构，对脑磁共振成像 (MRI) 图像进行分析和分类，以区分良性和恶性脑肿瘤，并采用优化技术如加宽、加深、添加跳跃连接等来提高网络的准确性，结果表明这些技术的子集可以优于基线 CNN 模型。

    Jul, 2023

  • 基于深度学习的兔胎儿颅骨分割，使用有限和次优标注

    本研究提出一种基于深度学习的方法，用于分割荷兰斑带兔胎儿的微 CT 图像中的骨骼结构，以协助评估药物诱导的骨骼异常，实现毒理学研究的必备环节。

    May, 2023

  • 基于深度卷积模型的颅内出血分割

    本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

    Oct, 2019

  • 基于胶囊网络的脑肿瘤类型分类

    本论文通过采用 Capsules 网络结构，解决了医学图像数据如 MRI 图像的处理问题，同时优化了神经网络的结构以提高大脑肿瘤分类问题的准确性，并解决过拟合问题。

    Feb, 2018

  • 深度神经网络用于脑肿瘤分割

    该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法，利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能，得出的结果比现有的最优方法提升了 30 倍以上。

    May, 2015