May, 2022

使用 Vision Transformer 进行肺癌多标签分类的零样本学习和少样本学习

PDF
TL;DR研究利用预训练的 Vision Transformer 模型对肺癌病理组织切片（来自数据集 LC25000）进行多标签肺癌分类，比较了零样本和少样本 ViT 的性能表现，结果表明预训练的 ViT 模型在零样本设置下表现良好，在少样本设置下有较高的准确度、精度、召回率、敏感度和特异性，并且在 Fig-Shot 设置下获得了最佳结果（在 validation 集和 test 集上均为 100%）
lung cancerhistologyvit modelzero-shotfew-shot
发现论文，激发创造
  • 利用视觉转换器改善肺癌的诊断和预后：一项范围性综述

    通过对基于视觉转换器的人工智能方法在肺癌成像应用方面的最新发展进行综述，本文提供了对视觉转换器如何提高肺癌的人工智能和深度学习方法的性能的关键洞察。此外，该综述还确定了推动该领域发展的数据集。视觉转换器是研究人员的首选之一，然而也报告了许多其他结构，其中将视觉转换器与卷积神经网络或 UNet 模型相结合。视觉转换器模型在发展肺癌应用的人工智能方法方面越来越受欢迎，但计算复杂性和临床相关性是未来研究的重要因素。该综述为人工智能和医疗保健领域的研究人员提供了宝贵的见解，以推进肺癌诊断和预后的最新技术。请访问 lung-cancer.onrender.com/ 获取交互式仪表盘。

    Sep, 2023

  • 探究用于多标记胸部疾病分类的遮蔽自编码器

    本文介绍了一种基于自编码器预训练的视觉 Transformer 模型（ViT）在医学图像分类任务上的性能优化方法，并探讨了策略和技术详细研究。

    Oct, 2022

  • COVID-19 CT 扫描和未整理的报告的零样本多标签分类的经验分析

    使用未结构化数据和 CT 扫描进行零样本多标签分类来诊断 COVID-19，以改善医学影像分析中的精度和效果。

    Sep, 2023

  • Lung-CADex：全自动胸部 CT 图像中肺结节的零样本检测和分类

    肺癌的计算机辅助诊断使用大型视觉语言模型，通过 CADe 和 CADx 方法实现肺结节的分割和良性 / 恶性的特征对齐，具有较高的敏感度（0.86）。

    Jul, 2024

  • 使用深度学习技术预测肺组织活检图像的 EGFR 突变

    本文通过深度学习图像分析技术，使用自定义深度学习管道在肺癌组织中识别 EGFR 突变的形态学相关性，同时检测肿瘤和组织学亚型，证明了这种方法的有效性，并指出了使用特征提取器层在目标数据集上进行微调时没有特殊优势，选择高细胞密度区域并不总是有帮助。

    Aug, 2022

  • 基于改进的 Swin Transformer 的高效肺癌图像分类与分割算法

    本文提出了一种基于有效 Transformer 模型的肺癌图像分类和分割方法，将计算机视觉技术应用于医学图像分析，可为医务人员提供高效的技术支持。在多个方面对实验结果进行了评估和比较，并证明该算法可以很好地应用于肺癌分类和分割任务。

    Jul, 2022

  • 利用少样本学习通过内镜超声程序对细胞学影像进行初级肺癌和其他恶性肿瘤的分类

    建立一种计算机辅助诊断系统，用于支持医生在内支气管超声（EBUS）手术中进行转移癌的初步诊断，通过安排 EBUS 手术后其他部位的立即检查，消除了等待报告的需要，将等待时间减半以上，并使患者能够更早地发现其他癌症，从而实现早期治疗计划的早期规划和实施。同时，通过引用现有的建议模型和设计模型架构来分类肺转移细胞图像，本研究证实了少样本学习在转移癌分类中的优越性，并表明使用 Batch Spectral Regularization（BSR）作为损失函数和修改 Finetune 能增强该模型的能力。

    Apr, 2024

  • 利用合成病理先验在 CT 图像上对肺癌亚型进行分类

    提出了自动生成混合特征网络（SGHF-Net）用于肺癌亚型的模式分类，通过深度神经网络 quantitatively maps cross-modality associations 从 CT images 提取 “gold standard” 信息，实现了更准确的预测，并在多中心数据集上展示了该模型的卓越性。

    Aug, 2023

  • 基于深度学习的 CT 肺部筛查中类似放射科医生的癌症风险评估

    该研究旨在比较深度学习模型与自动算法以及放射科医师的表现，以及评估该算法在异质数据集中的稳健性，结果显示深度学习模型在肺癌筛查方面表现出色，并且具有良好的泛化性，在肺癌恶性评估中比普遍接受的模型表现更好，在肺癌筛查比赛中的表现也优于其他 state-of-the-art 算法。

    Apr, 2018

  • 一种肝癌数字组织病理学切片分类的转导式少样本学习方法

    本文提出了一种新的方法，利用少样本学习对 2D 组织学病理学图像进行分类。通过在组织学切片上应用滑动窗口技术，我们揭示了转导学习（即在补丁上进行联合预测）在实现一致准确分类中的实际效益。我们的方法采用基于优化的策略，主动惩罚每个窗口内大量不同类别的预测。我们在组织学数据上进行实验证明了我们方法的有效性以及提高自动癌症诊断和治疗过程的潜力，同时减少了专家标注所需的时间和精力。

    Nov, 2023