CVPRJun, 2022

基于典型部位检测的可解释深度学习肾结石分类器

PDF
TL;DR该研究使用机器学习建立肾结石图像分类模型，其基于可解释性的子部件原型（PPs）方法，能够提供类似于形态宪法分析（MCA）的解释。
发现论文，激发创造
  • 深度原型部件减轻形态学肾结石识别并具有对光度扰动的竞争性稳健性

    本研究提出了使用基于深度学习的肾结石识别模型中的原型部件 (PPs) 来生成分类结果，从而使模型具有可解释性和更高的稳健性。

    Apr, 2023

  • 机器学习识别肾结石的实时性研究

    该研究使用 6 种浅层机器学习模型和 3 种深度学习模型对 4 种尿路结石类型的内窥镜图像进行识别，结果显示 Inception v3 模型表现最佳，但对颜色空间和纹理特征的适当选择使得浅层机器学习模型的表现可以接近最优深度学习模型的表现，研究其提出了从尿路镜检查中提取图像特征的方法。

    Jan, 2022

  • 比较深度学习基于特征融合的肾结石识别策略

    该研究提出一种深度学习方法，旨在从不同视角提取和融合图像信息，以产生更有区别的目标特征，其中深度融合策略提高了单视图提取骨干模型的肾结石分类精度达 10％以上。

    May, 2022

  • 内窥镜肾结石识别的度量学习方法

    本文提出了一种基于深度学习和度量学习的引导式深度度量学习方法，用于少样本、泛化和新类别识别，实现对肾结石碎片形态学多视图的自动识别。

    Jul, 2023

  • 通过注意力和多视角特征融合策略提高肾结石识别

    本研究提出了一种基于深度学习的方法，以从内窥镜不同视角获取的肾结石碎片相关信息。通过在每个卷积块的末端添加注意力层，联合使用表面和切面碎片图像来训练分类器，从而改善特征的区分能力，进而模拟进行这种形态构成分析的方法，与此同时，在深度特征的融合上，本方法相对于现有技术提高了最多 11％的肾结石分类准确性。

    Nov, 2022

  • 利用手术内镜数字视频进行肾结石深度形态识别

    使用 AI 技术对数字内窥镜视频序列进行分析，评估了其用于识别肾结石形态特征的性能及附加值，并证明其是收集肾结石形态信息的有前途的工具，而不需要任何人为干预。

    May, 2022

  • 利用术中内窥镜数字图像自动识别纯净石和混合石

    该研究利用深度卷积神经网络自动识别内窥镜图像中的肾结石形态特征，能够从术中数字内窥镜图像中鉴别肾结石的组成和形态。

    May, 2021

  • 运用多视角融合和双重迁移学习方法提升自动内窥镜结石识别

    本研究提出了一种深度学习方法，旨在从不同视角获取的图像信息中提取和融合图像信息，以产生更可辨别的物体特征，用于识别内窥镜图像中看到的肾结石类型，通过深度特征融合策略，通过传输学习和注意力机制进一步改进模型，使得肾结石分类的精度提高了 6% 以上。

    Apr, 2023

  • 可解释的医学图像分类利用原型学习和特权信息

    探索了一种名为 Proto-Caps 的创新解决方案，它能够利用额外的训练过程中可用的信息来创建一个易理解且功能强大的模型，通过在 LIDC-IDRI 数据集上的评估，该方法结合了更强的可解释性和先进的预测性能，相较于可解释的基线模型，在预测恶性程度（93.0%）和肺结节的平均特征方面，我们的方法提高了超过 6% 的准确率，并同时提供了基于案例的推理和可视化验证放射学定义的特征。

    Oct, 2023

  • 自适应局部二值模式：基于集成机器学习方法的增强 CT 扫描图像肾脏异常分析的新型特征描述符

    我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式（A-LBP）特征提取方法，结合五个分类器和软投票方法，实现对肾脏异常的自动检测，并取得 99% 以上的准确率。

    Apr, 2024